A framework for occupational safety analysis combining a large language model, an ontology and knowledge graphs

Occupational accident reports contain valuable information for supporting safety analysis and decision-making, but their use is hindered by their unstructured form, heterogeneous terminology and the need for expert-based manual interpretation. To address these challenges, this work proposes a Large Language Model (LLM)-based framework for automatically and systematically extracting and analyzing accident-related information from a large number of occupational accident reports. Specifically, an LLM is combined with an occupational accident ontology to automatically annotate accident reports by identifying ontology-based entities, such as accident states, human factors, environmental conditions, safety barriers and accident consequences, and the relations among them. The extracted information is represented as a Knowledge Graph (KG), in which entities and their relations are integrated across multiple accident reports, and used to assess safety barrier performance. The proposed method is applied to a repository of fall-from-height accidents. The results obtained show that the method can accurately extract ontology-based entities and relations, support the performance assessment of safety barriers and enable the comparison of accident cases, with the objective of supporting the identification of factors influencing the accident occurrence and severity, that can inform occupational safety decision-making.

I report di incidenti occupazionali contengono informazioni di grande valore per supportare l’analisi della sicurezza e i processi decisionali; tuttavia, il loro utilizzo è ostacolato dalla forma non strutturata, dall’eterogeneità terminologica e dalla necessità di un’interpretazione manuale da parte di esperti. Per affrontare tali criticità, questo lavoro propone un framework basato su Large Language Model (LLM) per l’estrazione e l’analisi automatica e sistematica delle informazioni relative agli incidenti a partire da un ampio insieme di report di incidenti occupazionali. In particolare, un LLM viene combinato con un’ontologia degli incidenti occupazionali al fine di annotare automaticamente i report, identificando entità basate sull’ontologia, quali stati dell’incidente, fattori umani, condizioni ambientali, barriere di sicurezza e conseguenze dell’incidente, nonché le relazioni tra tali entità. Le informazioni estratte sono rappresentate sotto forma di Knowledge Graph (KG), nel quale le entità e le relative relazioni vengono integrate attraverso molteplici report di incidente e utilizzate per valutare le prestazioni delle barriere di sicurezza. Il metodo proposto è applicato a un archivio di incidenti di caduta dall’alto. I risultati ottenuti mostrano che il metodo è in grado di estrarre accuratamente entità e relazioni basate sull’ontologia, supportare la valutazione delle prestazioni delle barriere di sicurezza e consentire il confronto tra diversi casi di incidente, con l’obiettivo di favorire l’identificazione dei fattori che influenzano l’occorrenza e la gravità degli incidenti e di fornire supporto ai processi decisionali in materia di sicurezza occupazionale.