DOI: https://doi.org/10.1007/s44163-026-01983-w
تاريخ النشر: 2026-08-16
المؤلف: Rupok Islam Avi وآخرون
الموضوع الرئيسي: إدارة الصحة والسلامة المهنية
نظرة عامة
تقدم البحث إطار دعم قرار متكامل يهدف إلى تحسين تحديد المخاطر وترتيب الأولويات في الصناعات الثقيلة، مع معالجة قيود الأساليب اليدوية التقليدية. يجمع الإطار بين معالجة اللغة الطبيعية (NLP) لتصنيف المخاطر مع نهج اتخاذ القرار متعدد المعايير (MCDM)، وبالتحديد طريقة الاتساق الكامل (FUCOM) وتحليل رقم أولوية المخاطر (RPN). حددت مراجعة شاملة للأدبيات 25 خطرًا مصنفة إلى مخاطر جسدية وكيميائية وإرغونومية ونفسية اجتماعية وبيئية/في مكان العمل. من بين ثمانية نماذج NLP تم تقييمها، أظهرت هياكل Sentence-Transformer أداءً متفوقًا، محققة دقة واسترجاع ودرجة F1 بنسبة 100%، بينما أظهرت نماذج BERT وNLTK دقة أقل بشكل ملحوظ.
بالنسبة لترتيب المخاطر، استخدمت طريقة FUCOM أحكامًا من 20 خبيرًا في الصناعة، مما كشف أن المخاطر الكيميائية حصلت على أعلى وزن (0.284)، تليها المخاطر البيئية/في مكان العمل (0.243) والمخاطر الجسدية (0.242). أبرز تحليل RPN الضغط (0.087) وإطلاق الغاز السام (0.065) والتعرض للأبخرة (0.053) كأكثر المخاطر حرجة. أكد تصنيف FUCOM-RPN المتكامل أن إطلاق الغاز السام والتعرض للأبخرة والصعق الكهربائي هي المخاطر ذات الأولوية الأعلى. أشارت تحليل الحساسية إلى قوة النموذج، مع تصنيفات مستقرة على الرغم من تغيرات الوزن. يوفر هذا الإطار نهجًا كميًا وقابلًا للتوسع وموثوقًا لإدارة المخاطر المهنية في بيئات التصنيع الثقيلة.
مقدمة
**مقدمة**
تشمل مخاطر مكان العمل مجموعة من المخاطر المتأصلة في بيئات مختلفة، وخاصة في القطاعات الصناعية مثل الصناعات الثقيلة. يمكن أن تؤدي هذه المخاطر إلى نتائج خطيرة، بما في ذلك الإصابات والمشاكل الصحية والاضطرابات الاجتماعية والاقتصادية. غالبًا ما يتعرض العمال في التصنيع لمستويات عالية من الضوضاء، والاهتزازات الميكانيكية، وظروف حرارية شديدة، مما يمكن أن يؤدي إلى ضعف السمع وإصابات تشغيلية. بالإضافة إلى ذلك، تنتج عمليات مثل اللحام والمعالجة الكيميائية مواد سامة تشكل مخاطر على الجهاز التنفسي والجلد. تعتبر الاضطرابات العضلية الهيكلية (MSDs) شائعة، حيث تشير التقارير إلى أنها تهيمن على حوالي 53% من مصانع تصنيع السيارات. علاوة على ذلك، يمكن أن تؤثر الضغوط النفسية الاجتماعية، بما في ذلك متطلبات العمل العالية، بشكل كبير على الصحة العقلية وثقافة السلامة في مكان العمل.
تصنيف المخاطر أمر حاسم لتحسين السلامة المهنية، حيث يسهل التعرف المنهجي وترتيب الأولويات، مما يقلل من الحوادث والمضاعفات الصحية. ظهرت معالجة اللغة الطبيعية (NLP) كأداة تحويلية في تصنيف المخاطر، مما يعزز دقة وكفاءة تحديد المخاطر من خلال تحليل البيانات النصية غير المنظمة. أظهرت تطبيقات NLP في سلامة الطيران وتطوير البنية التحتية إمكاناتها في أتمتة تحليل المخاطر وتحسين مقاييس السلامة. لترتيب المخاطر بشكل فعال، تقدم طرق اتخاذ القرار متعددة المعايير (MCDM)، وخاصة طريقة الاتساق الكامل (FUCOM)، أطرًا منظمة لترتيب المخاطر مع الحد الأدنى من العبء المعرفي على الخبراء. بالإضافة إلى ذلك، يساعد مقياس رقم أولوية المخاطر (RPN) من تحليل أنماط الفشل وآثاره (FMEA) المنظمات في ترتيب المخاطر بناءً على المخاطر المحددة. على الرغم من الأدبيات الموجودة حول MSDs، لا يزال هناك فجوة في التعرف المنهجي وتصنيف مخاطر مكان العمل في التصنيع، والتي تهدف هذه الدراسة إلى معالجتها باستخدام طرق NLP وتقنيات ترتيب الأولويات.
طرق
تحدد هذه القسم منهجية لدمج طرق اتخاذ القرار متعددة المعايير (MCDM)، وبالتحديد طريقة الاتساق الكامل (FUCOM) ورقم أولوية المخاطر (RPN)، لمعالجة تصنيف المخاطر المهنية والبيئية في بيئات التصنيع. يتم تسليط الضوء على طريقة FUCOM لكفاءتها في تحديد أوزان المعايير مع عدد أقل من المقارنات الثنائية، مما يخفف من العبء المعرفي على الخبراء مع ضمان الاتساق. من ناحية أخرى، يواجه RPN، المستخدم عادةً في تحليل أنماط الفشل وآثاره (FMEA)، قيودًا بسبب وزنه المتساوي للخطورة والحدوث والاكتشاف، مما يمكن أن يعيق التمييز الفعال بين المخاطر. تقترح هذه الدراسة إطار RPN-FUCOM هجينًا جديدًا يجمع بين أوزان الفئات العالمية من FUCOM مع أوزان المخاطر المحلية من RPN، بهدف سد الفجوة البحثية في تصنيف المخاطر وترتيب الأولويات بشكل متزامن.
تتطور المنهجية المقترحة في مرحلتين: أولاً، تستخدم نماذج معالجة اللغة الطبيعية (NLP) المعتمدة على المحولات المدربة مسبقًا لتصنيف المخاطر بشكل آلي، مما يقلل من الذاتية وعدم الكفاءة في العمليات اليدوية. تستخدم المرحلة الثانية منهجية ترتيب RPN-FUCOM، مع دمج أحكام الخبراء من خلال بيانات الاستطلاع لترتيب المخاطر المحددة. لا تعزز هذه الطريقة المنظمة موثوقية تحديد المخاطر فحسب، بل توفر أيضًا إطارًا قابلًا للتكرار لإدارة المخاطر المهنية يمكن تطبيقه خارج سياقات التصنيع. في النهاية، تهدف الدراسة إلى تزويد ممارسي السلامة بأداة منهجية لتحديد وإدارة المخاطر الحرجة، مما يعزز بيئات صناعية أكثر أمانًا ويقلل من الإصابات المهنية.
مناقشة
تتناول قسم المناقشة في الورقة التقييم الشامل لمخاطر مكان العمل في التصنيع الثقيل باستخدام معالجة اللغة الطبيعية (NLP) ونهج اتخاذ القرار متعدد المعايير (MCDM). تحدد الدراسة 25 خطرًا متميزًا مصنفة إلى خمس مجموعات: جسدية وكيميائية وإرغونومية ونفسية اجتماعية وبيئية/في مكان العمل. تدمج المنهجية تقنيات NLP لتصنيف المخاطر وتستخدم إطار FUCOM-RPN لترتيب المخاطر، والذي يستند إلى آراء الخبراء حول شدة المخاطر واحتمالية حدوثها وقابلية اكتشافها. تشير النتائج إلى أن نماذج NLP، وخاصة تلك المعتمدة على تضمينات SentenceTransformer، تتفوق بشكل كبير على الأساليب التقليدية، محققة دقة عالية في تصنيف المخاطر.
تؤكد النتائج على أهمية استخدام تقنيات NLP المتقدمة لأتمتة تصنيف المخاطر، مما يعزز إدارة السلامة في بيئات التصنيع. يوفر منهج FUCOM-RPN نهجًا منظمًا لترتيب المخاطر، مما يسمح للمديرين بتخصيص الموارد بشكل فعال وتنفيذ تدخلات مستهدفة للمخاطر ذات الأولوية العالية، مثل إطلاق الغاز السام والتعرض للأبخرة. بالإضافة إلى ذلك، تؤكد تحليل الحساسية على قوة نموذج الترتيب المقترح، مما يشير إلى أن النتائج تظل مستقرة تحت تعديلات الوزن المختلفة. بشكل عام، تسهم الدراسة في تطوير سياسات سلامة مدفوعة بالبيانات وممارسات التحسين المستمر في سياق الصناعة 4.0.
DOI: https://doi.org/10.1007/s44163-026-01983-w
Publication Date: 2026-08-16
Author(s): Rupok Islam Avi et al.
Primary Topic: Occupational Health and Safety Management
Overview
The research presents an integrated decision support framework aimed at improving hazard identification and prioritization in heavy manufacturing industries, addressing the limitations of conventional manual approaches. The framework combines Natural Language Processing (NLP) for hazard classification with a Multi-Criteria Decision-Making (MCDM) approach, specifically the Full Consistency Method (FUCOM) and Risk Priority Number (RPN) analysis. A comprehensive literature review identified 25 hazards categorized into physical, chemical, ergonomic, psychosocial, and environmental/workplace hazards. Among the eight NLP models evaluated, Sentence-Transformer architectures demonstrated superior performance, achieving 100% precision, recall, and F1-score, while BERT and NLTK models showed significantly lower accuracy.
For risk prioritization, the FUCOM method utilized judgments from 20 industry experts, revealing that chemical hazards received the highest weight (0.284), followed closely by environmental/workplace (0.243) and physical hazards (0.242). The RPN analysis highlighted stress (0.087), toxic gas release (0.065), and fume exposure (0.053) as the most critical risks. The integrated FUCOM-RPN ranking confirmed toxic gas release, fume exposure, and electrocution as the highest-priority hazards. Sensitivity analysis indicated the model’s robustness, with stable rankings despite weight variations. This framework provides a quantitative, scalable, and reliable approach to occupational hazard management in heavy manufacturing settings.
Introduction
**Introduction**
Workplace hazards encompass a range of risks inherent to various environments, particularly in manufacturing sectors like heavy industries. These hazards can lead to severe outcomes, including injuries, health issues, and socio-economic disruptions. Workers in manufacturing are often exposed to high noise levels, mechanical vibrations, and extreme thermal conditions, which can result in auditory impairments and operational injuries. Additionally, processes such as welding and chemical processing produce toxic substances that pose respiratory and dermal risks. Musculoskeletal disorders (MSDs) are prevalent, with reports indicating that they dominate approximately 53% of automobile manufacturing plants. Furthermore, psychosocial stressors, including high work demands, can significantly impact mental health and workplace safety culture.
The classification of hazards is crucial for improving occupational safety, as it facilitates systematic identification and prioritization, thereby reducing accidents and health complications. Natural Language Processing (NLP) has emerged as a transformative tool in hazard categorization, enhancing the accuracy and efficiency of identifying risks through the analysis of unstructured textual data. Applications of NLP in aviation safety and infrastructure development have demonstrated its potential to automate hazard analysis and improve safety metrics. To prioritize hazards effectively, Multi-Criteria Decision Making (MCDM) methods, particularly the Full Consistency Method (FUCOM), offer structured frameworks for ranking hazards with minimal cognitive load on experts. Additionally, the Risk Priority Number (RPN) metric from Failure Mode and Effects Analysis (FMEA) aids organizations in prioritizing risks based on identified hazards. Despite existing literature on MSDs, there remains a gap in the systematic identification and classification of workplace hazards in manufacturing, which this study aims to address using NLP methods and prioritization techniques.
Methods
The section outlines a methodology for integrating Multi-Criteria Decision Making (MCDM) approaches, specifically the Full Consistency Method (FUCOM) and the Risk Priority Number (RPN), to address the ranking of occupational and environmental hazards in manufacturing settings. The FUCOM method is highlighted for its efficiency in determining criteria weights with fewer pairwise comparisons, thus alleviating the cognitive burden on experts while ensuring consistency. Conversely, the RPN, commonly used in Failure Modes and Effects Analysis (FMEA), faces limitations due to its equal weighting of severity, occurrence, and detection, which can hinder effective risk differentiation. This study proposes a novel hybrid RPN-FUCOM framework that combines global category weights from FUCOM with local hazard weights from RPN, aiming to fill the research gap in simultaneous hazard categorization and prioritization.
The proposed methodology unfolds in two phases: first, it employs pretrained transformer-based Natural Language Processing (NLP) models for automated hazard classification, thereby mitigating the subjectivity and inefficiencies of manual processes. The second phase utilizes the RPN-FUCOM ranking methodology, incorporating expert judgment through survey data to prioritize the identified hazards. This structured approach not only enhances the reliability of hazard identification but also provides a replicable framework for occupational risk management that can be applied beyond manufacturing contexts. Ultimately, the research aims to equip safety practitioners with a systematic tool for identifying and managing critical hazards, thereby promoting safer industrial environments and reducing occupational injuries.
Discussion
The discussion section of the paper outlines the comprehensive evaluation of workplace hazards in heavy manufacturing using Natural Language Processing (NLP) and a Multi-Criteria Decision-Making (MCDM) approach. The study identifies 25 distinct hazards categorized into five groups: Physical, Chemical, Ergonomic, Psychosocial, and Environment/Workplace. The methodology integrates NLP techniques for hazard classification and employs the FUCOM-RPN framework for hazard ranking, which is informed by expert opinions on risk severity, probability, and detectability. The results indicate that NLP models, particularly those based on SentenceTransformer embeddings, significantly outperform traditional methods, achieving high accuracy in classifying hazards.
The findings emphasize the importance of using advanced NLP techniques to automate hazard classification, thereby enhancing safety management in manufacturing settings. The FUCOM-RPN method provides a structured approach for prioritizing risks, allowing managers to allocate resources effectively and implement targeted interventions for high-priority hazards, such as toxic gas release and fume exposure. Additionally, the sensitivity analysis confirms the robustness of the proposed ranking model, indicating that the results remain stable under varying weight adjustments. Overall, the study contributes to the development of data-driven safety policies and continuous improvement practices in the context of Industry 4.0.