Koneoppimisen hyödyntäminen tekstipohjaisen datan analysoinnissa ja tapaturmien raportoinnissa tunnistettujen inhimillisten tekijöiden arvioinnissa

Tiivistelmä

Esitykseni kuvaa turvallisuuspoikkeamien raportoinnissa tunnistettuja ihmisen toiminnan taustalla vaikuttavia syy-seuraustekijöitä inhimillisten tekijöiden viitekehyksessä sekä esittelee lupaavan uuden analysointimenetelmän turvallisuusjohtamisen työkaluksi. Raporttien tekstikuvauksia analysoitiin tekoälypohjaisella suurella kielimallilla luokitellen tunnistettuja inhimillisiä tekijöitä yksilön ja työtoiminnan sekä ryhmä- ja organisaatiotasojen alle.

Hankkeen vastuuhenkilö

Maria Tiikkaja

Tiedote

Koneoppimisen hyödyntäminen työturvallisuusdatan analysoinnissa

Tiivistelmä

Esittelin inhimillisten tekijöiden (HF) luokitteluun kehitettyä kielimallia sekä sillä saatuja tuloksia teollisuusyritysten turvallisuusdatasta sekä Tapaturmavakuutuskeskuksen vahinkokuvauksista. Tutkimuksessa tunnistettiin poikkeamaraportoinnissa HF:iä sekä kehitettiin analysointimenetelmä turvallisuusjohtamisen työkaluksi. Raportteja analysoitiin tekoälypohjaisella suurella kielimallilla luokitellen HF:iä yksilön ja työtoimintaan sekä ryhmä- ja organisaatiotasoihin. Tutkimus tuotti tietoa turvallisuusdatan laadusta ja sen kehittämistarpeista. Lisäksi kerroin TSR:n rahoittamassa AI Safety-hankkeessa asiantuntija-analyysillä tehtyjen tapaturmatutkintojen HF luokittelusta sekä tekstidatan laadun merkityksestä sen hyödynnettävyyden kannalta.

Tausta

Organisaatiot keräävät suuria määriä turvallisuusdataa esim. poikkeamatilanteista, mutta useinkaan ne eivät pysty hyödyntämään sitä tehokkaasti. Erityisesti suuria tekstidatoja on vaikea hyödyntää turvallisuusjohtamisen ja päätöksenteon tukena. Nopeasti kehittyvät tekoäly- ja koneoppimismenetelmät tarjoavat uusia mahdollisuuksia turvallisuusdatan tehokkaaseen analysointiin. Tulosten levitys auttaa organisaatioita kehittämään oman datansa hyödyntämistä ja siten myös turvallisuutta.

Aineisto

Tutkimuksessa tarkasteltiin koneoppimismenetelmän mahdollisuuksia ja haasteita organisaatioiden työturvallisuusraporttien sekä työtapaturmatutkintojen analysoinnissa tapahtumiin vaikuttaneiden tekijöiden ja korjaavien toimenpiteiden tunnistamiseksi ja luokittelemiseksi. Tätä varten jatkokoulutettiin suurta kielimallia käyttäen inhimillisten tekijöiden työkalua HF ToolTM (Teperi, 2012). Lisäksi tässä tutkimuksessa kehitettyä mallia arvioitiin kahdella erillisellä tapaturmatutkinta-aineistolla.

Tulokset ja johtopäätökset

Tutkimuksen tulokset osoittivat, että kielimallimme tukee inhimillisten tekijöiden tunnistamista suurista tekstiaineistoista. Tutkimuksen aikana havaittiin kuitenkin myös, että tekstimuotoisten turvallisuustietojen laatua on parannettava, jotta niihin voidaan sisällyttää kattavampia ja tarkempia poikkeamiin vaikuttavia tekijöitä. Tarve parantaa tekstimuotoisen turvallisuusdatan laatua pätee riippumatta siitä, käytetäänkö analyysissä tekoälyä vai ei.

Uutuusarvo ja sovellettavuus

Kun työpaikoilla opitaan ymmärtämään ihmisen toiminnan taustalla vaikuttavia tekijöitä sekä tunnistamaan niiden vaikutus turvallisuuspoikkeamissa päästään työturvallisuuden kehittämisessä syvemmälle tasolle. Kun tämä inhimillisten tekijöiden tunnistaminen saadaan aidosti mukaan kirjauksina poikkeamaraportointiin, päästään myös tekstiaineistojen analysoinnissa paremmin kiinni ja puuttumaan työpaikan turvallisuustilanteeseen vaikuttaviin tekijöihin.

Aineisto

Konferenssiesitys Avaa

Konferenssiesitys Avaa