حوادث ناشی از کار یکی از مهم‌ترین چالش‌های بهداشت و ایمنی در سراسر جهان محسوب می‌شوند. این حوادث نه تنها منجر به آسیب‌های جسمی و روحی جبران‌ناپذیر برای نیروی کار می‌شوند، بلکه هزینه‌های اقتصادی هنگفتی را نیز به سازمان‌ها و جامعه تحمیل می‌کنند. به منظور کاهش این حوادث، تحلیل دقیق گزارش‌های مربوط به آن‌ها برای شناسایی الگوهای تکرارشونده، عوامل خطر و دلایل ریشه‌ای، امری ضروری است. با این حال، حجم عظیم این گزارش‌ها که اغلب به صورت متن‌های بدون ساختار (Unstructured Text) و به زبان‌های مختلف نگاشته شده‌اند، تحلیل دستی و سنتی را بسیار زمان‌بر، پرهزینه و ناکارآمد می‌سازد.

مقاله «RECKONition: a NLP-based system for Industrial Accidents at Work Prevention» که توسط تیمی از محققان ایتالیایی ارائه شده است، پاسخی نوآورانه به این چالش ارائه می‌دهد. این مقاله یک سیستم پیشرفته مبتنی بر پردازش زبان طبیعی (NLP) را معرفی می‌کند که قادر است به صورت خودکار گزارش‌های حوادث صنعتی به زبان ایتالیایی را تحلیل کرده و اطلاعات ارزشمندی را برای پیشگیری استخراج نماید. اهمیت این پژوهش در دو جنبه کلیدی نهفته است: اول، استفاده از تکنیک‌های پیشرفته هوش مصنوعی مانند یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) برای حل یک مسئله واقعی در حوزه ایمنی صنعتی؛ و دوم، تمرکز بر روی یک زبان غیرانگلیسی (ایتالیایی) که نشان‌دهنده قابلیت تعمیم این رویکرد به سایر زبان‌ها و گشودن مسیری جدید برای تحلیل داده‌های متنی در مقیاس جهانی است. این سیستم با تبدیل داده‌های متنی خام به دانش عملی، پتانسیل ایجاد یک تحول بنیادین در رویکردهای پیشگیرانه ایمنی را دارد.

این مقاله حاصل تلاش مشترک گروهی از پژوهشگران برجسته به نام‌های پاتریزیا آنیلو (Patrizia Agnello)، سیلویا ام. آنسالدی (Silvia M. Ansaldi)، امیلیا لنزی (Emilia Lenzi)، آلسیو مونجلوتزو (Alessio Mongelluzzo) و مانوئل رووری (Manuel Roveri) است. این پژوهش در چارچوب یک همکاری استراتژیک با «موسسه ملی بیمه حوادث ناشی از کار ایتالیا» (INAIL) انجام شده است. INAIL به عنوان نهاد اصلی مسئول بیمه و ایمنی کار در ایتالیا، دارای یکی از بزرگترین و غنی‌ترین پایگاه‌های داده از گزارش‌های حوادث شغلی در این کشور است.

زمینه اصلی این تحقیق، چالش بزرگ INAIL در مدیریت و تحلیل میلیون‌ها گزارش حادثه است که سالانه ثبت می‌شوند. این گزارش‌ها توسط بازرسان، کارفرمایان و کارگران تهیه شده و شامل توصیفات دقیق اما غیرساختارمند از دینامیک، علل و پیامدهای حوادث هستند. استخراج دانش از این دریای اطلاعات متنی به صورت دستی تقریباً غیرممکن است. بنابراین، هدف اصلی این همکاری، توسعه یک ابزار هوشمند بود که بتواند به صورت خودکار این متون را پردازش کرده، الگوهای پنهان را کشف کند و در نهایت به INAIL در تدوین سیاست‌های پیشگیرانه مؤثرتر یاری رساند. این همکاری، پیوندی ایده‌آل میان تخصص دانشگاهی در حوزه هوش مصنوعی و نیازهای عملی یک سازمان بزرگ دولتی را به نمایش می‌گذارد.

مقاله حاضر، سیستم RECKONition را به عنوان یک راهکار جامع مبتنی بر پردازش زبان طبیعی برای پیشگیری از حوادث صنعتی معرفی می‌کند. چالش اصلی که این مقاله به آن می‌پردازد، استخراج الگوها و اطلاعات مفید از مجموعه داده‌های متنی به زبان طبیعی، به ویژه زبان‌های غیرانگلیسی مانند ایتالیایی است. نویسندگان اشاره می‌کنند که با پیشرفت‌های اخیر در حوزه یادگیری ماشین و یادگیری عمیق، ابزارهای قدرتمندی برای حل مسائل نظارت‌شده (Supervised) و نظارت‌نشده (Unsupervised) بر روی داده‌های متنی فراهم شده است.

سیستم RECKONition با هدف ارائه سه قابلیت کلیدی طراحی شده است:

• درک زبان طبیعی (Natural Language Understanding – NLU): توانایی فهم عمیق محتوای متون و استخراج موجودیت‌های کلیدی مانند نوع ماشین‌آلات، اعضای آسیب‌دیده بدن، اقدامات انجام‌شده و شرایط محیطی.
• خوشه‌بندی (Clustering): گروه‌بندی خودکار گزارش‌های حوادث مشابه بر اساس دینامیک وقوع آن‌ها، بدون نیاز به برچسب‌گذاری اولیه. این قابلیت به شناسایی سناریوهای تکرارشونده حوادث کمک می‌کند.
• استنتاج (Inference): قابلیت نتیجه‌گیری و استنباط روابط علی و معلولی یا پیش‌بینی عوامل خطر بر اساس داده‌های تحلیل‌شده.

این سیستم که با همکاری موسسه INAIL توسعه یافته، بر روی داده‌های واقعی حوادث صنعتی در ایتالیا آزمایش شده است. نتایج به‌دست‌آمده نشان می‌دهد که RECKONition با موفقیت توانسته است داده‌های متنی به زبان ایتالیایی را پردازش کرده و دینامیک و پیامدهای حوادث را با دقت بالایی تحلیل کند.

روش‌شناسی به‌کاررفته در این پژوهش، یک خط لوله (Pipeline) چندمرحله‌ای و پیچیده از تکنیک‌های پردازش زبان طبیعی است که برای مدیریت چالش‌های خاص داده‌های متنی غیرساختارمند طراحی شده است.

۱. منبع داده و پیش‌پردازش:

داده‌های مورد استفاده، پایگاه داده متنی INAIL شامل گزارش‌های توصیفی حوادث صنعتی است. اولین گام در این خط لوله، مرحله پیش‌پردازش (Preprocessing) است. این مرحله برای پاک‌سازی و استانداردسازی متن ضروری است و شامل اقداماتی نظیر حذف علائم نگارشی، تبدیل تمام حروف به حالت یکسان، توکنیزه کردن (Tokenization) یا شکستن متن به واحدهای کوچکتر (کلمات)، حذف کلمات توقف (Stop Words) مانند حروف اضافه که ارزش معنایی کمی دارند، و ریشه‌یابی یا لماتایزیشن (Lemmatization) برای بازگرداندن کلمات به شکل پایه دستوری آن‌ها است. این مرحله برای زبان ایتالیایی که دارای صرف فعل و اسم پیچیده‌ای است، اهمیت ویژه‌ای دارد.

۲. بازنمایی متن (Text Representation):

برای اینکه مدل‌های یادگیری ماشین بتوانند متن را درک کنند، کلمات باید به بردارهای عددی تبدیل شوند. در این پژوهش احتمالاً از مدل‌های تعبیه کلمه (Word Embedding) مانند Word2Vec یا مدل‌های پیشرفته‌تر مبتنی بر معماری ترنسفورمر (مانند یک نسخه ایتالیایی از BERT) استفاده شده است. این مدل‌ها قادرند روابط معنایی میان کلمات را در یک فضای برداری چندبعدی ثبت کنند، به طوری که کلمات با معنای مشابه، بردارهای نزدیک به هم داشته باشند.

۳. تحلیل نظارت‌نشده (Unsupervised Analysis):

یکی از دستاوردهای کلیدی RECKONition، استفاده از روش‌های نظارت‌نشده برای کشف الگوهای پنهان است. در این بخش، از الگوریتم‌های خوشه‌بندی مانند K-Means یا DBSCAN برای گروه‌بندی خودکار گزارش‌های حوادث استفاده می‌شود. برای مثال، سیستم می‌تواند به طور خودکار خوشه‌هایی از حوادث را شناسایی کند که همگی مربوط به «سقوط از ارتفاع در کارگاه‌های ساختمانی» یا «آسیب‌دیدگی دست هنگام کار با دستگاه پرس» هستند، بدون اینکه از قبل چنین دسته‌بندی‌هایی به آن آموزش داده شده باشد.

۴. تحلیل نظارت‌شده (Supervised Analysis):

در کنار روش‌های نظارت‌نشده، سیستم می‌تواند برای وظایف طبقه‌بندی نیز آموزش ببیند. برای مثال، با استفاده از بخشی از داده‌ها که به صورت دستی برچسب‌گذاری شده‌اند، می‌توان یک مدل یادگیری ماشین را برای پیش‌بینی شدت حادثه (جزئی، متوسط، شدید) یا طبقه‌بندی علت اصلی آن آموزش داد. این بخش به قابلیت استنتاج سیستم کمک شایانی می‌کند.

این پژوهش به یافته‌های مهمی دست یافته است که کارایی و پتانسیل بالای سیستم RECKONition را به اثبات می‌رساند:

• قابلیت پردازش موثر زبان ایتالیایی: مهم‌ترین یافته این است که سیستم توانسته با موفقیت بر چالش‌های پردازش یک زبان غیرانگلیسی با ساختار گرامری پیچیده غلبه کند. این امر نشان می‌دهد که رویکردهای مدرن NLP قابل تعمیم به زبان‌های مختلف هستند.
• شناسایی خودکار الگوهای حوادث: الگوریتم‌های خوشه‌بندی توانستند به طور موثر گزارش‌ها را به گروه‌های معنادار تقسیم کنند. این خوشه‌ها سناریوهای تکراری حوادث را آشکار ساختند که پیش از این شناسایی آن‌ها نیازمند تحلیل انسانی گسترده بود. به عنوان مثال، سیستم توانست ارتباط میان نوع خاصی از ماشین‌آلات، یک شیفت کاری مشخص و نوع خاصی از جراحت را کشف کند.
• استخراج اطلاعات دقیق و ساختاریافته: سیستم با استفاده از تکنیک‌های درک زبان طبیعی، توانست اطلاعات کلیدی را از دل متون توصیفی استخراج کرده و آن‌ها را به داده‌های ساختاریافته تبدیل کند. این اطلاعات شامل مواردی چون «عامل حادثه» (مثلاً: نردبان لغزنده)، «نتیجه حادثه» (مثلاً: شکستگی استخوان ران) و «بخش آسیب‌دیده بدن» (مثلاً: پای چپ) بود.
• اعتبارسنجی توسط متخصصان: نتایج و خوشه‌های تولید شده توسط سیستم، توسط متخصصان ایمنی INAIL مورد ارزیابی قرار گرفت و صحت و کاربردی بودن آن‌ها تأیید شد. این اعتبارسنجی نشان داد که خروجی‌های سیستم نه تنها از نظر فنی معتبر، بلکه از نظر عملیاتی نیز برای کارشناسان ایمنی مفید و قابل استفاده است.

دستاوردها و کاربردهای عملی سیستم RECKONition فراتر از یک پروژه تحقیقاتی صرف بوده و پتانسیل ایجاد تأثیر واقعی در دنیای صنعت را دارد:

• پیشگیری فعالانه به جای واکنش منفعلانه: با شناسایی الگوهای پرخطر، سازمان‌هایی مانند INAIL می‌توانند به جای واکنش به حوادث پس از وقوع، اقدامات پیشگیرانه هدفمندی را طراحی کنند. برای مثال، اگر سیستم نشان دهد که حوادث مربوط به یک دستگاه خاص در حال افزایش است، می‌توان بازرسی‌ها یا برنامه‌های آموزشی ویژه‌ای را برای آن دستگاه تدوین کرد.
• بهینه‌سازی تخصیص منابع: تحلیل‌های این سیستم به مدیران ایمنی کمک می‌کند تا منابع محدود خود (مانند زمان بازرسان و بودجه آموزش) را بر روی پرخطرترین بخش‌ها، فرایندها و تجهیزات متمرکز کنند.
• پشتیبانی از تصمیم‌گیری مبتنی بر داده: RECKONition با تبدیل گزارش‌های متنی به داشبوردهای تحلیلی و آمارهای قابل فهم، ابزاری قدرتمند برای سیاست‌گذاران و مدیران ارشد فراهم می‌کند تا تصمیمات خود را بر اساس شواهد واقعی و داده‌های به‌روز اتخاذ کنند.
• افزایش سرعت و دقت تحلیل: این سیستم فرآیند تحلیل گزارش‌ها را که ممکن بود هفته‌ها یا ماه‌ها به طول انجامد، به چند ساعت یا چند دقیقه کاهش می‌دهد. این سرعت بالا امکان شناسایی روندهای نوظهور خطر را در مراحل اولیه فراهم می‌آورد.
• ایجاد یک مدل پایه برای سایر زبان‌ها: معماری و روش‌شناسی این سیستم می‌تواند به عنوان یک الگوی موفق برای توسعه سیستم‌های مشابه در سایر کشورها و برای زبان‌های دیگر مورد استفاده قرار گیرد و به یک استاندارد جهانی در تحلیل هوشمند حوادث تبدیل شود.

مقاله «RECKONition» به طور موفقیت‌آمیزی نشان می‌دهد که چگونه می‌توان از قدرت پردازش زبان طبیعی و هوش مصنوعی برای حل یکی از قدیمی‌ترین و پایدارترین مشکلات دنیای صنعتی، یعنی حوادث ناشی از کار، بهره برد. این پژوهش صرفاً یک تمرین آکادمیک نیست، بلکه یک راهکار عملی است که با همکاری یک نهاد دولتی بزرگ و بر روی داده‌های واقعی توسعه یافته و اعتبارسنجی شده است.

سیستم RECKONition با خودکارسازی فرآیند تحلیل گزارش‌های حوادث، نه تنها کارایی را به شدت افزایش می‌دهد، بلکه با کشف الگوهایی که از چشم انسان پنهان می‌مانند، درک ما را از دلایل ریشه‌ای حوادث عمیق‌تر می‌کند. موفقیت این پروژه در پردازش زبان ایتالیایی، امیدبخش توسعه ابزارهای مشابه برای سایر زبان‌ها و فرهنگ‌هاست و گامی مهم در جهت ایجاد محیط‌های کاری ایمن‌تر در سراسر جهان محسوب می‌شود. در نهایت، این تحقیق اثبات می‌کند که آینده ایمنی صنعتی به طور جدایی‌ناپذیری با علم داده و هوش مصنوعی گره خورده است و سرمایه‌گذاری در این حوزه می‌تواند به نجات جان انسان‌ها و بهبود کیفیت زندگی کاری میلیون‌ها نفر منجر شود.