معرفی مقاله و اهمیت آن

اختلالات اسکلتی-عضلانی (Musculoskeletal Disorders – MSDs) یکی از چالش‌های عمده بهداشت شغلی در سراسر جهان محسوب می‌شوند. این اختلالات طیف وسیعی از بیماری‌ها را شامل می‌شوند که بر عضلات، استخوان‌ها، تاندون‌ها، رباط‌ها، اعصاب و رگ‌های خونی تأثیر می‌گذارند. از دردهای مزمن کمر و گردن گرفته تا سندروم تونل کارپال، MSDs می‌توانند منجر به درد، ناتوانی، کاهش بهره‌وری کاری، و در نهایت تحمیل هزینه‌های سنگین به سیستم‌های بهداشتی و اقتصادی جوامع شوند. شناسایی دقیق عوامل خطر مرتبط با MSDs و درک چگونگی تعامل آن‌ها، گامی حیاتی در پیشگیری و مدیریت مؤثر این اختلالات است.

مقاله “طبقه‌بندی عوامل خطر اختلالات اسکلتی-عضلانی با استفاده از پردازش زبان طبیعی و رتبه‌بندی مبتنی بر حالت” یک رویکرد نوین و جامع را برای مقابله با این چالش ارائه می‌دهد. این پژوهش با ادغام دو حوزه قدرتمند پردازش زبان طبیعی (NLP) و روش‌های رتبه‌بندی مبتنی بر حالت (mode-based ranking)، قصد دارد تا درک ما را از عوامل خطر MSDs تعمیق بخشیده، طبقه‌بندی آن‌ها را دقیق‌تر کرده و اولویت‌بندی این عوامل را برای مداخلات پیشگیرانه و درمانی هدفمند بهبود بخشد. اهمیت این مقاله نه تنها در ارائه یک چارچوب تحلیلی پیشرفته است، بلکه در قابلیت آن برای ترجمه داده‌های پیچیده و کیفی به بینش‌های عملی و قابل اجرا برای بهبود سلامت نیروی کار نهفته است.

نویسندگان و زمینه تحقیق

این پژوهش توسط Md Abrar Jahin و Subrata Talapatra انجام شده است. نام این محققین نشان‌دهنده تخصص در حوزه‌های مرتبط با محاسبات و زبان و یادگیری ماشین است که دقیقاً سنگ بنای روش‌شناسی این مقاله را تشکیل می‌دهند. تحقیقات در این زمینه‌ها به سرعت در حال پیشرفت هستند و توانایی تجزیه و تحلیل حجم وسیعی از داده‌های متنی و شناسایی الگوهای پیچیده را فراهم می‌آورند. در گذشته، شناسایی و طبقه‌بندی عوامل خطر MSDs عمدتاً به روش‌های دستی، بررسی‌های کیفی یا مدل‌های آماری سنتی متکی بود که اغلب زمان‌بر، مستعد خطا و فاقد توانایی لازم برای کشف روابط پیچیده در داده‌های متنی بودند.

نویسندگان این مقاله با بهره‌گیری از دانش روز در حوزه هوش مصنوعی، به دنبال پر کردن شکافی در ادبیات موجود بوده‌اند. این شکاف شامل عدم وجود یک رویکرد سیستماتیک و داده‌محور برای طبقه‌بندی و اولویت‌بندی جامع و خودکار عوامل خطر MSDs از میان منابع متنی متنوع است. زمینه تحقیق این مقاله، در تقاطع سلامت شغلی و علوم کامپیوتر قرار می‌گیرد و نشان‌دهنده پتانسیل بالای ابزارهای هوش مصنوعی برای حل مسائل پیچیده در علوم پزشکی و بهداشت عمومی است.

چکیده و خلاصه محتوا

چکیده مقاله به وضوح هدف، روش و یافته‌های اصلی پژوهش را بیان می‌کند. هدف اصلی مطالعه، ارتقاء درک، طبقه‌بندی و اولویت‌بندی عوامل خطر اختلالات اسکلتی-عضلانی برای پیشگیری و درمان متمرکز است. برای نیل به این هدف، محققان از ترکیبی از پردازش زبان طبیعی و رتبه‌بندی مبتنی بر حالت بهره گرفته‌اند.

از نظر روش‌شناسی، هشت مدل مختلف پردازش زبان طبیعی مورد ارزیابی قرار گرفتند. این مدل‌ها ترکیبی از ترانسفورماتورهای از پیش آموزش‌دیده (Pre-trained Transformers)، شباهت کسینوسی (cosine similarity) و معیارهای فاصله بودند که برای دسته‌بندی عوامل خطر به پنج طبقه اصلی استفاده شدند:

• شخصی (Personal)
• بیومکانیکی (Biomechanical)
• محیط کار (Workplace)
• روان‌شناختی (Psychological)
• سازمانی (Organizational)

در میان مدل‌های NLP، مدل BERT با شباهت کسینوسی به دقت ۲۸% دست یافت، اما مدل Sentence Transformer با معیارهای فاصله اقلیدسی (Euclidean)، بری-کورتیس (Bray-Curtis) و مینکوفسکی (Minkowski) امتیاز ۱۰۰% را در طبقه‌بندی کسب کرد که یک موفقیت چشمگیر به حساب می‌آید. برای اطمینان از اعتبار نتایج، از اعتبارسنجی متقاطع ۱۰ برابری (10-fold cross-validation) و آزمون‌های آماری استفاده شد.

در بخش رتبه‌بندی، داده‌های حاصل از نظرسنجی و رتبه‌بندی مبتنی بر حالت برای تعیین سلسله‌مراتب شدت عوامل خطر به کار گرفته شدند که نتایج آن با ادبیات موجود همسو بود. مهمترین یافته در این بخش این بود که “وضعیت بدنی در حین کار” (Working posture) به عنوان شدیدترین عامل خطر شناسایی شد که بر نقش محوری وضعیت بدنی در بروز MSDs تأکید می‌کند. همچنین، بینش‌های حاصل از نظرسنجی، عواملی مانند “ناامنی شغلی” (Job insecurity)، “عدم تعادل تلاش و پاداش” (Effort reward imbalance)، و “امکانات ضعیف کارکنان” (Poor employee facility) را به عنوان عوامل مؤثر و قابل توجه برجسته کردند. این رتبه‌بندی‌ها بینش‌های عملی را برای پیشگیری از MSDs ارائه می‌دهند و مطالعه به مداخلات هدفمند، بهبود محیط کار، و مسیرهای تحقیقاتی آینده اشاره دارد. این رویکرد یکپارچه NLP و رتبه‌بندی، درک ما را از MSDs افزایش می‌دهد و استراتژی‌های بهداشت شغلی را بهبود می‌بخشد.

روش‌شناسی تحقیق

روش‌شناسی این پژوهش بر دو ستون اصلی استوار است: پردازش زبان طبیعی برای طبقه‌بندی و رتبه‌بندی مبتنی بر حالت برای تعیین شدت. این ترکیب نوآورانه، امکان تحلیل داده‌های کیفی و کمی را به صورت یکپارچه فراهم می‌آورد.

۱. طبقه‌بندی با پردازش زبان طبیعی (NLP)

محققان برای طبقه‌بندی عوامل خطر MSDs، هشت مدل مختلف NLP را مورد آزمایش قرار دادند. این مدل‌ها به طور خاص برای درک معنا و محتوای متون مربوط به عوامل خطر MSDs طراحی شده بودند. فرآیند شامل:

• استفاده از ترانسفورماتورهای از پیش آموزش‌دیده: این مدل‌ها (مانند BERT و Sentence Transformer) بر روی حجم عظیمی از داده‌های متنی آموزش دیده‌اند و می‌توانند نمایش‌های وکتوری (embeddings) معناداری از کلمات و جملات تولید کنند. این نمایش‌ها قادرند روابط معنایی بین کلمات را درک کنند.

• معیارهای شباهت و فاصله: پس از تولید وکتورهای معنایی، از معیارهایی نظیر شباهت کسینوسی برای اندازه‌گیری شباهت بین وکتورهای عوامل خطر و وکتورهای دسته‌های از پیش تعریف شده استفاده شد. همچنین، معیارهای فاصله مانند فاصله اقلیدسی، بری-کورتیس و مینکوفسکی برای تعیین دوری یا نزدیکی عوامل خطر به هر یک از دسته‌ها به کار رفتند. به عنوان مثال، اگر جمله “استفاده از کیبورد نامناسب” تحلیل می‌شد، NLP تلاش می‌کرد آن را به دسته “بیومکانیکی” نزدیک تشخیص دهد.

• دسته‌بندی به پنج کلاس: عوامل خطر به دسته‌های مشخصی شامل شخصی (مثلاً سن، جنسیت)، بیومکانیکی (مثلاً وضعیت بدنی، حرکات تکراری)، محیط کار (مثلاً طراحی ایستگاه کاری، ابزارها)، روان‌شناختی (مثلاً استرس، فشار کاری) و سازمانی (مثلاً حمایت مدیریت، فرهنگ سازمانی) طبقه‌بندی شدند. این طبقه‌بندی جامع امکان تحلیل چندوجهی را فراهم می‌کند.

• عملکرد مدل‌ها: مدل BERT با شباهت کسینوسی به دقت ۲۸% رسید که نشان‌دهنده چالش‌های این وظیفه بود. با این حال، استفاده از Sentence Transformer به همراه معیارهای فاصله اقلیدسی، بری-کورتیس و مینکوفسکی، به دقت چشمگیر ۱۰۰% در طبقه‌بندی دست یافت. این موفقیت حاکی از توانایی بالای Sentence Transformer در تولید نمایش‌های معنایی با کیفیت از جملات کامل و درک دقیق‌تر زمینه معنایی آن‌هاست. Sentence Transformer نه تنها کلمات را جداگانه بررسی می‌کند بلکه ارتباط آن‌ها در جمله را نیز در نظر می‌گیرد.

• اعتبارسنجی آماری: برای اطمینان از اعتبار و پایداری نتایج، از تکنیک اعتبارسنجی متقاطع ۱۰ برابری (10-fold cross-validation) استفاده شد. این روش به ارزیابی عملکرد مدل بر روی زیرمجموعه‌های مختلف داده‌ها کمک می‌کند و از بیش‌برازش (overfitting) جلوگیری می‌نماید. آزمون‌های آماری تکمیلی نیز برای تأیید استحکام نتایج به کار رفتند.

۲. رتبه‌بندی مبتنی بر حالت (Mode-based Ranking)

پس از طبقه‌بندی عوامل خطر، مرحله بعدی تعیین میزان شدت آن‌ها بود. این کار با استفاده از داده‌های نظرسنجی و رویکرد رتبه‌بندی مبتنی بر حالت انجام شد.

• جمع‌آوری داده‌های نظرسنجی: محققان با استفاده از پرسشنامه‌های طراحی‌شده، نظرات و تجربیات افراد را در مورد عوامل خطر مختلف MSDs و شدت آن‌ها جمع‌آوری کردند. این داده‌ها می‌توانند شامل ارزیابی‌هایی از میزان تأثیر هر عامل بر سلامت اسکلتی-عضلانی باشند.

• رتبه‌بندی مبتنی بر حالت: در آمار، “حالت” (mode) به مقداری اطلاق می‌شود که بیشترین تکرار را در یک مجموعه داده دارد. در این پژوهش، از این مفهوم برای تعیین عامل خطری استفاده شد که بیشترین فراوانی را در میان پاسخ‌های مربوط به شدت توسط شرکت‌کنندگان نظرسنجی داشت. به عبارت دیگر، عاملی که بیشترین افراد آن را به عنوان شدیدترین یا مهمترین تلقی کرده‌اند، رتبه بالاتری کسب می‌کند. این روش به محققان اجازه می‌دهد تا سلسله‌مراتب شدت عوامل خطر را بر اساس اجماع نظرات انسانی استخراج کنند.

• همسویی با ادبیات: نتایج حاصل از این رتبه‌بندی با ادبیات موجود و دانش تخصصی در زمینه بهداشت شغلی مقایسه و تأیید شد. این همسویی، اعتبار و صحت یافته‌های پژوهش را تقویت می‌کند و نشان می‌دهد که رویکرد ترکیبی توانسته است به نتایج معتبری دست یابد.

یافته‌های کلیدی

این مطالعه به یافته‌های مهمی دست یافت که هم در جنبه‌های فنی و هم در جنبه‌های عملی بهداشت شغلی ارزشمند هستند.

• برتری Sentence Transformer در طبقه‌بندی: یکی از مهمترین دستاوردهای فنی، توانایی بی‌نظیر Sentence Transformer با معیارهای فاصله اقلیدسی، بری-کورتیس و مینکوفسکی در طبقه‌بندی عوامل خطر MSDs با دقت ۱۰۰% بود. این نتیجه نشان می‌دهد که مدل‌های پیشرفته NLP می‌توانند با دقت بسیار بالایی، عوامل خطر را به دسته‌های مناسب (شخصی، بیومکانیکی، محیط کار، روان‌شناختی، سازمانی) تخصیص دهند. این دقت بالا، پایه‌ای قوی برای تحلیل‌های بعدی و مداخلات هدفمند فراهم می‌کند. به عنوان مثال، اگر یک گزارش متنی حاوی جمله “فشار کاری بالا و ضرب‌الاجل‌های فشرده” باشد، سیستم می‌تواند آن را به دقت در دسته “روان‌شناختی” طبقه‌بندی کند.

• “وضعیت بدنی در حین کار” به عنوان شدیدترین عامل: در بخش رتبه‌بندی، “وضعیت بدنی در حین کار” (Working posture) به عنوان شدیدترین عامل خطر MSDs شناسایی شد. این یافته تأکید مجددی بر اهمیت ارگونومی و طراحی صحیح ایستگاه‌های کاری دارد. وضعیت‌های نامناسب بدنی، مانند خم شدن طولانی مدت، پیچش بدن، یا نشستن و ایستادن نادرست، به طور مستقیم بر ستون فقرات، مفاصل و عضلات فشار وارد کرده و خطر ابتلا به دردهای مزمن و آسیب‌های اسکلتی-عضلانی را به شدت افزایش می‌دهند. این نتیجه به متخصصان بهداشت شغلی و کارفرمایان یادآوری می‌کند که تمرکز بر آموزش ارگونومیک و فراهم آوردن تجهیزات مناسب چقدر حیاتی است.

• عوامل روان‌شناختی و سازمانی مهم: فراتر از عوامل بیومکانیکی، نظرسنجی‌ها و رتبه‌بندی، سه عامل مهم دیگر را نیز برجسته کردند که اغلب نادیده گرفته می‌شوند:

  • “ناامنی شغلی” (Job insecurity): نگرانی از دست دادن شغل می‌تواند منجر به استرس مزمن و تنش عضلانی شود که خود به MSDs کمک می‌کند.
  • “عدم تعادل تلاش و پاداش” (Effort reward imbalance): زمانی که فرد احساس می‌کند تلاشش در کار به اندازه کافی پاداش (مادی یا معنوی) ندارد، می‌تواند منجر به فرسودگی شغلی و مشکلات روانی شود که به نوبه خود بر سلامت جسمانی تأثیر می‌گذارد.
  • “امکانات ضعیف کارکنان” (Poor employee facility): عدم وجود امکانات رفاهی مناسب (مانند فضای استراحت، تهویه، روشنایی کافی) می‌تواند بر رضایت شغلی، روحیه و سلامت جسمانی کارکنان تأثیر منفی بگذارد.

  این یافته‌ها نشان می‌دهند که پیشگیری از MSDs نیازمند رویکردی جامع است که نه تنها جنبه‌های فیزیکی کار، بلکه ابعاد روان‌شناختی و سازمانی را نیز در بر می‌گیرد. به عنوان مثال، یک شرکت ممکن است بهترین صندلی‌های ارگونومیک را فراهم کند، اما اگر کارکنان تحت فشار دائمی ناامنی شغلی باشند، باز هم در معرض خطر MSDs قرار خواهند گرفت.

• تأیید نتایج با ادبیات: مهم است که یافته‌های این پژوهش با ادبیات موجود در زمینه بهداشت شغلی و ارگونومی همسو هستند. این همسویی نه تنها اعتبار داخلی مطالعه را تقویت می‌کند، بلکه نشان می‌دهد که روش‌های نوین (NLP و رتبه‌بندی حالت) می‌توانند به نتایج معتبری دست یابند که با درک سنتی ما از عوامل خطر MSDs سازگارند، اما با دقت و سرعت بیشتری به آن‌ها دست پیدا می‌کنند.

کاربردها و دستاوردها

این پژوهش نه تنها یک پیشرفت تئوریک در حوزه هوش مصنوعی و بهداشت شغلی است، بلکه دارای کاربردهای عملی گسترده‌ای است که می‌تواند به طور مستقیم به بهبود سلامت و ایمنی در محیط کار کمک کند.

• مداخلات هدفمند و شخصی‌سازی‌شده: با شناسایی دقیق و طبقه‌بندی عوامل خطر و همچنین رتبه‌بندی شدت آن‌ها، سازمان‌ها می‌توانند مداخلات پیشگیرانه و درمانی را به صورت هدفمندتری طراحی کنند. به عنوان مثال، اگر نتایج یک ارزیابی خاص در یک بخش از کارخانه نشان دهد که “وضعیت بدنی در حین کار” به دلیل طراحی نامناسب خط تولید عامل اصلی است، می‌توان بر اصلاحات ارگونومیک در آن بخش تمرکز کرد. اگر عوامل روان‌شناختی مانند “ناامنی شغلی” برجسته باشند، مداخلات می‌توانند شامل ارائه برنامه‌های حمایت روان‌شناختی، بهبود ارتباطات داخلی، و شفافیت در سیاست‌های منابع انسانی باشند.

• بهبود سیاست‌گذاری‌های بهداشت شغلی: یافته‌های این مطالعه می‌توانند به سیاست‌گذاران و مدیران سازمان‌ها در تدوین قوانین و استراتژی‌های موثرتر برای پیشگیری از MSDs کمک کنند. با درک اینکه کدام عوامل بیشترین تأثیر را دارند، می‌توان منابع را به شکل بهینه‌تری تخصیص داد. به عنوان مثال، سرمایه‌گذاری در آموزش ارگونومی برای کارکنان جدید یا بازنگری در طراحی محیط‌های کاری که عوامل خطر بالایی دارند.

• تشخیص زودهنگام و نظارت مستمر: با استفاده از رویکرد NLP، می‌توان حجم زیادی از داده‌های متنی (مانند گزارش‌های حوادث، بازخوردهای کارکنان، فرم‌های شکایت) را به سرعت تحلیل کرد و به طور مداوم عوامل خطر نوظهور یا تغییر در شدت عوامل موجود را شناسایی نمود. این قابلیت، سازمان‌ها را قادر می‌سازد تا به جای واکنش پسیو، رویکردی فعالانه در مدیریت ریسک داشته باشند و قبل از تبدیل شدن مشکلات به اختلالات جدی، مداخله کنند.

• افزایش آگاهی و آموزش: نتایج این پژوهش می‌تواند به عنوان یک ابزار قدرتمند در برنامه‌های آموزشی کارکنان و مدیران مورد استفاده قرار گیرد. با نشان دادن داده‌محور عوامل خطر و شدت آن‌ها، می‌توان آگاهی افراد را نسبت به اهمیت رعایت اصول ارگونومیک و مدیریت عوامل روان‌اجتماعی در محیط کار افزایش داد.

• پایه و اساس برای تحقیقات آتی: این مطالعه راه را برای تحقیقات بیشتر در زمینه ادغام هوش مصنوعی با بهداشت شغلی باز می‌کند. می‌توان این چارچوب را برای سایر اختلالات مرتبط با کار، استفاده از داده‌های بلادرنگ (Real-time data) و حتی توسعه سیستم‌های هشداردهنده هوشمند گسترش داد. به عنوان مثال، امکان ادغام این مدل با حسگرهای پوشیدنی برای نظارت بر وضعیت بدنی کارکنان و ارائه بازخورد فوری.

• دستاورد اصلی: ادغام موفقیت‌آمیز پردازش زبان طبیعی و رتبه‌بندی آماری یک ابزار تحلیلی قدرتمند را برای درک بهتر MSDs فراهم آورده است. این رویکرد به جای تکیه بر حدس و گمان یا تحلیل‌های کیفی محدود، بینش‌های کمی و ساختاریافته‌ای را ارائه می‌دهد که می‌تواند به طور قابل ملاحظه‌ای به بهبود استراتژی‌های بهداشت شغلی کمک کند.

نتیجه‌گیری

پژوهش ارائه شده توسط Jahin و Talapatra یک گام مهم رو به جلو در درک و مدیریت اختلالات اسکلتی-عضلانی (MSDs) برداشته است. با ادغام نوآورانه پردازش زبان طبیعی و رتبه‌بندی مبتنی بر حالت، این مطالعه یک چارچوب جامع و داده‌محور را برای طبقه‌بندی دقیق و اولویت‌بندی عوامل خطر MSDs ارائه می‌دهد.

دستاورد کلیدی در بخش NLP، عملکرد فوق‌العاده Sentence Transformer با معیارهای فاصله اقلیدسی، بری-کورتیس و مینکوفسکی بود که به دقت ۱۰۰% در طبقه‌بندی عوامل خطر دست یافت. این موفقیت، پتانسیل عظیم هوش مصنوعی را در تحلیل داده‌های متنی پیچیده و استخراج بینش‌های ارزشمند نشان می‌دهد.

در بخش رتبه‌بندی، تأیید مجدد نقش محوری “وضعیت بدنی در حین کار” به عنوان شدیدترین عامل خطر، همراه با برجسته شدن عوامل مهم روان‌شناختی و سازمانی مانند “ناامنی شغلی”، “عدم تعادل تلاش و پاداش” و “امکانات ضعیف کارکنان”، نشان‌دهنده نیاز به رویکردی چندوجهی و جامع در پیشگیری از MSDs است. این یافته‌ها نه تنها با ادبیات موجود همسو هستند، بلکه بینش‌های عملی جدیدی را برای طراحی مداخلات هدفمند ارائه می‌دهند.

این مطالعه به متخصصان بهداشت شغلی، کارفرمایان و سیاست‌گذاران ابزاری قدرتمند برای درک عمیق‌تر عوامل مؤثر بر سلامت نیروی کار و تدوین استراتژی‌های پیشگیرانه مؤثرتر ارائه می‌دهد. در نهایت، رویکرد یکپارچه معرفی شده در این مقاله، نه تنها درک ما از MSDs را افزایش می‌دهد، بلکه زمینه‌ساز بهبود قابل توجهی در استراتژی‌های بهداشت و ایمنی شغلی در آینده خواهد بود و به کاهش بار این اختلالات بر افراد و جوامع کمک شایانی خواهد کرد.