論文の概要: Structuring occupational accident narratives for cross-sector safety analysis: Transferability of accident-process role classification
- arxiv url: http://arxiv.org/abs/2609.22081v2
- Date: Wed, 23 Sep 2026 10:37:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.650446
- Title: Structuring occupational accident narratives for cross-sector safety analysis: Transferability of accident-process role classification
- Title（参考訳）: クロスセクタ安全分析のための職業事故物語の構造化:事故プロセスの役割分類の伝達可能性
- Abstract要約: 本研究では,ある業務部門で開発されたモデルが,見知らぬ部門や報告環境において同一の事故処理情報を識別できるかどうかを検討した。
モデルは6,040人の建設現場の物語から42,244台の実写機で開発された。
TF-IDFに基づく語彙モデル,凍結した事前学習テキスト表現,タスク適応型事前学習モデルを比較した。
- 参考スコア（独自算出の注目度）: 1.5924410290166868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Introduction: Occupational accident narratives describe work situations, unfavourable conditions, accident events, and consequences, but differences in terminology and reporting practices hinder systematic analysis across sectors and organisations. This study examined whether a model developed in one occupational sector could identify the same accident-process information in unseen sectors and reporting environments. Method: French accident narratives were segmented into factual units and expert-annotated as work situation, explicitly reported unfavourable condition, accident event or deviation, or reported consequence. Models were developed on 42,244 factual units from 6,040 construction-sector narratives and evaluated without retraining on metallurgy, chemistry-plastics, and an independently collected company corpus. We compared a TF-IDF-based lexical model, frozen pretrained text representations, and task-adapted pretrained models. Results: Average balanced accuracy was 75.0% for TF-IDF, 76.9% for frozen pretrained representations, and about 85.7% after task adaptation. Across repeated runs, leading adapted approaches showed similar overall performance, with no method consistently outperforming the others. Performance was lower and more variable on the company corpus, where transfer also involved a different reporting environment and data source. Conclusions: Accident-process roles learned from construction narratives remained identifiable in other sectors and an independent organisational setting. Practical Applications: The framework can support assisted coding, expert review, cross-sector analysis, and prevention-oriented analysis of large accident-report collections.
- Abstract（参考訳）: 序説: 業務状況、不必要な状況、事故発生、結果について記述するが、用語や報告の実践の違いは、部門や組織全体で体系的な分析を妨げている。
本研究では,ある業務部門で開発されたモデルが,見知らぬ部門や報告環境において同一の事故処理情報を識別できるかどうかを検討した。
方法: フランスの事故の物語は、事実の単位に区分され、専門家が記した作業状況、不都合な状況、事故の出来事または逸脱、あるいは報告された結果に明確に分類された。
6,040件の建築現場の物語から42,244件の事実単位をモデルとして, メタルギー, 化学プラスチック, 独立に収集した企業コーパスに再トレーニングすることなく評価を行った。
TF-IDFに基づく語彙モデル,凍結した事前学習テキスト表現,タスク適応型事前学習モデルを比較した。
結果: TF-IDFでは平均平衡精度が75.0%, 凍結した事前訓練表現では76.9%, タスク適応後の約85.7%であった。
繰り返し実行しながらも、リード適応アプローチは全体的なパフォーマンスを示し、他の方法よりも一貫して優れるメソッドはありませんでした。
会社のコーパスではパフォーマンスが低く変動し、転送には異なるレポート環境とデータソースも含まれていた。
結論: 建設の物語から学んだ事故処理の役割は、他のセクターや独立した組織環境でも特定できるままだった。
実践的アプリケーション: このフレームワークは、コーディング支援、専門家レビュー、クロスセクタ分析、大規模な事故報告コレクションの予防指向分析をサポートすることができる。
関連論文リスト
- Reading Cognition as Decisions Unfold in Words: A Factorized Inverse Decision Model [67.84198127797005]
逆決定モデリングは、観察された行動から決定過程の潜伏特性を推定する。
本稿では、各個人のタスク実行可能性を行動要因と努力要因に分解する因子化逆決定モデル(FIDM)を提案する。
論文 参考訳（メタデータ） (2026-08-10T07:46:13Z) - Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。
タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。
DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
論文 参考訳（メタデータ） (2026-05-12T06:57:41Z) - Trace-Level Analysis of Information Contamination in Multi-Agent Systems [8.829951903444352]
不均一なアーティファクトに対する推論は、構造化エージェント内でますます発生する。
本研究では,不確実性を制御変数として扱うことにより,この現象を研究する。
我々は3つの表現型を特徴づける:サイレントセマンティックな腐敗、リカバリを伴う行動パターン、構造破壊と制御フローシグネチャの組み合わせ。
論文 参考訳（メタデータ） (2026-04-30T08:39:42Z) - Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。
アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。
ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文 参考訳（メタデータ） (2026-04-21T15:05:58Z) - The A-R Behavioral Space: Execution-Level Profiling of Tool-Using Language Model Agents in Organizational Deployment [0.3823356975862005]
大規模言語モデル(LLM)は、システムレベルの操作を実行するツール拡張エージェントとして、ますます多くデプロイされている。
本研究では,行動速度 (A) と拒絶信号 (R) で定義される2次元A-R空間に基づく実行層型行動計測手法を提案する。
モデルは4つの規範的体制と3つの自律的構成で評価される。
論文 参考訳（メタデータ） (2026-04-13T22:50:21Z) - CRASH: Cognitive Reasoning Agent for Safety Hazards in Autonomous Driving [0.3823356975862005]
本研究は、NHTSAデータベースで報告された現実世界のAVインシデントを調べる。
我々は、標準化されたフィールドと非構造化の物語記述の両方を活用することで、クラッシュレポートの推論を自動化するエージェントであるCRASHを紹介する。
以上の結果から,CRASHは事故の64%が認識障害や計画失敗によるものと考えられた。
さらに5つのドメインエキスパートでCRASHを検証することで,AVシステム障害の原因となる精度を86%向上する。
論文 参考訳（メタデータ） (2026-03-16T14:39:33Z) - The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。
本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。
標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
論文 参考訳（メタデータ） (2026-01-21T15:22:21Z) - 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) - Predicting person-level injury severity using crash narratives: A balanced approach with roadway classification and natural language process techniques [5.145333626258798]
本研究は, 現場の警察官が, 事故の重大度を予測するために, 構造的クラッシュデータと組み合わせた場合の, 非構造的クラッシュ物語の付加価値について検討した。
意味を抽出するために広く使われている2つの自然言語処理技術であるTF-IDF(Term Frequency-Inverse Document Frequency)とWord2Vec(Word2Vec)が用いられた。
102の機械学習モデルは、構造化特徴と物語に基づく特徴を組み合わせることによって開発された。
論文 参考訳（メタデータ） (2025-09-09T15:22:14Z) - 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) - 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)
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。