論文の概要: AISA: AI Safety Assistant Framework for Continuous Improvement of Highway Construction

• arxiv url: http://arxiv.org/abs/2608.17184v1
• Date: Mon, 17 Aug 2026 22:48:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.158839
• Title: AISA: AI Safety Assistant Framework for Continuous Improvement of Highway Construction
• Title（参考訳）: AISA:ハイウェイ建設の継続的改善のためのAI安全支援フレームワーク
• Abstract要約: 本研究の目的は,現在および将来の報告目的において,インシデント物語の分類と品質評価を可能にすることである。 過去の事故、参照画像、産業文書の検索は、埋め込みモデル間でベンチマークされた。 全体として、この作業は、将来のエージェントアプリケーションのためのローカル推論とテキスト埋め込みモデルに根ざした、新しいフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Job Safety Analysis (JSA) and pre-task planning can benefit from prior incident records, yet historical accident data is often stored as unstructured narratives that are difficult to consult at the point of planning. A novel framework centered on large language models (LLMs) for highway construction safety reporting and planning is proposed as a foundation for future agentic applications, prioritizing deterministic, local inferencing. The first aim is to enable classification and quality scoring of incident narratives for existing and future reporting purposes. The second is to evaluate retrieval of relevant historical accidents, related imagery, and trusted industry documents for incorporation into daily safety plans. Neural probes were trained to classify incidents along four multiclass and two binary Occupational Injury and Illness Classification System (OIICS) fields and to derive an overall quality score, evaluated on a test set of over 15,000 narratives and a held-out set of 100 author-labeled records, benchmarked against a majority-vote LLM ensemble. The retrieval of historical accidents, reference imagery, and industry documents was benchmarked across embedding models using standard information retrieval metrics. OIICS classification reached 75% held-out accuracy, though the two binary flags were degenerate. The quality score, while meaningful on one database, was distorted on out-of-distribution fatalities in the held-out dataset. Accident retrieval recovered relevant incidents far above chance, performing best on lexically distinct construction activities. On document question answering, an open-weight decoder embedding model surpassed proprietary models. Overall, this work provides a new framework rooted in local inferencing and text embedding models for future agentic applications, with emphasis on bridging external data to JSA reports.
• Abstract（参考訳）: ジョブ・セーフティ・アナリティクス(JSA)とプレタスク・プランニングは、過去のインシデント・レコードから恩恵を受けることができるが、歴史的事故データは、計画段階では相談が難しい非構造化の物語としてしばしば記憶される。 高速道路建設安全報告・計画のための大規模言語モデル(LLM)を中心にした新しいフレームワークが提案され,決定論的,局所的推論を優先して,今後のエージェントアプリケーションの基礎となる。 第1の目的は,既存の報告目的と将来の報告目的のために,インシデント物語の分類と品質評価を可能にすることである。 第2に、日常の安全計画に組み込むための、関連する歴史的事故、関連画像、信頼できる産業文書の検索を評価する。 ニューラルプローブは4つのマルチクラスと2つのバイナリなOIICS(Occupational Injury and Illness Classification System)フィールドのインシデントを分類し、全体的な品質スコアを導出するように訓練され、15,000以上の物語と100以上の著者ラベルレコードのテストセットで評価され、多数投票のLDMアンサンブルとベンチマークされた。 標準情報検索指標を用いて,過去の事故,参照画像,産業文書の検索を埋め込みモデル間でベンチマークした。 OIICS分類は75%の精度に達したが、2つのバイナリフラグは縮退した。 1つのデータベースで意味のある品質スコアは、保持されたデータセットの配布外死亡率に基づいて歪められた。 事故の回収は、偶然よりもはるかに早く関連事象を回復し、語彙的に異なる建設活動で最善を尽くした。 文書質問応答では、オープンウェイトなデコーダ埋め込みモデルがプロプライエタリなモデルを上回った。 全体として、この作業は、JSAレポートに外部データをブリッジすることに焦点を当てた、将来のエージェントアプリケーションのローカル推論とテキスト埋め込みモデルに根ざした、新しいフレームワークを提供する。

関連論文リスト

• SafeAtlas-VL: Beyond Binary Multimodal Safety with Large-Scale Data and Guard Models [73.04773649437375]
  マルチモーダル・セーフティ・モデレーションは、視覚的コンテンツ、ユーザ意図、およびアシスタント行動から生じるリスクを区別する必要がある。 SafeAtlas-VLは、1.5Mのトレーニングインスタンスのデータセットで、画像、要求レベル、応答レベルを5段階の順序で判定する。 SafeAtlas-Benchは5段階の予測と継続的なリスクスコアを評価するための5000のインスタンスである。
  論文  参考訳（メタデータ） (2026-08-29T07:08:01Z)
• Assessing the Benefits of Combining Advanced Deep Learning Techniques for Post-Disaster Building Damage Assessment from UAV Imagery [3.016488960368601]
  本稿では,損傷評価から検出を分離するハイブリッドフレームワークを提案する。 CVモデルはまず建物を検知し、画像上の境界ボックスを生成し、損傷分類と文脈解釈のためにLVLMに渡される。 我々はRescueNetとFloodNetの2つの実世界のベンチマークでフレームワークを評価した。
  論文  参考訳（メタデータ） (2026-08-03T08:39:59Z)
• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• Preserving Historical Truth: Detecting Historical Revisionism in Large Language Models [66.75310318710073]
  textttHistoricalMisinfoは45ドル(約4,400円)の国から50ドル(約5,800円)のコンテストイベントを収集したデータセットです。 実世界の利用を近似するために、一般的な通信設定を反映したプロンプトシナリオを11ドルで、各イベントをインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-19T15:05:10Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• PentestJudge: Judging Agent Behavior Against Operational Requirements [0.0]
  PentestJudgeは、侵入テストエージェントの操作を評価するシステムである。 判定エージェントとして機能するモデルをいくつか評価し、最良のモデルがF1スコア0.83まで到達した。
  論文  参考訳（メタデータ） (2025-08-04T21:52:50Z)
• A new machine learning framework for occupational accidents forecasting with safety inspections integration [0.9562145896371785]
  本稿では,安全検査および事故発生をバイナリ時系列としてモデル化した,短期的事故予測のための総合的枠組みを提案する。 提案手法は,日常的な安全検査データを明確な週間リスクスコアに変換し,事故の可能性が最も高い時期を検出する。
  論文  参考訳（メタデータ） (2025-06-30T09:28:11Z)
• Enhancing Traffic Accident Classifications: Application of NLP Methods for City Safety [41.76653295869846]
  ミュンヘンの交通事故を分析し、異なるタイプの事故を区別するパターンと特徴を特定する。 データセットは、位置、時間、気象条件などの構造化された表形式の特徴と、各事故の状況を詳述した構造化されていない自由テキスト記述の両方で構成されている。 ラベルの信頼性を評価するために,トピックモデリングや少数ショット学習などのNLP手法を適用し,ラベル付け過程の矛盾を明らかにする。
  論文  参考訳（メタデータ） (2025-06-11T14:50:49Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• AutoBencher: Towards Declarative Benchmark Construction [74.54640925146289]
  AutoBencherを使って、数学、多言語性、知識、安全性のためのデータセットを作成しています。 AutoBencherのスケーラビリティにより、詳細なカテゴリ知識をテストでき、既存のベンチマークよりも22%のモデルエラー(難易度)を誘発するデータセットを作成することができる。
  論文  参考訳（メタデータ） (2024-07-11T10:03:47Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• ISSAFE: Improving Semantic Segmentation in Accidents by Fusing Event-based Data [34.36975697486129]
  本稿では,事故シナリオにおけるセマンティックセグメンテーションに関する課題を,事故データセットDADA-segとともに提示する。 イベントベースのマルチモーダルセグメンテーションアーキテクチャISSAFEを提案する。 提案手法は, 提案した評価セットに対して+8.2% mIoUの性能向上を達成し, 10以上の最先端セグメンテーション法を克服する。
  論文  参考訳（メタデータ） (2020-08-20T14:03:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。