DOI: https://doi.org/10.1038/s41598-024-64360-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38862593
تاريخ النشر: 2024-06-11
المؤلف: Huaqun Chen وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تستكشف هذه الورقة البحثية الأسباب المعقدة لوقائع الطائرات من خلال استخدام خوارزمية Apriori المعدلة لاستخراج قواعد الارتباط بين احتمالات الزناد وقوتها النسبية. تستخدم الدراسة التجميع لمعالجة البيانات وTF-IDF لاستخراج الميزات، مما يؤدي إلى تحديد مجموعات العناصر المسببة بناءً على نموذج سبب الحوادث 2-4. تكشف التحليلات، التي تشمل 9,835 نقطة بيانات من مكتب إدارة حركة الطيران في الجنوب الغربي، أن عوامل مثل تخصيص الطاقة غير السليم، وضعف حل النزاعات، والإدارة غير الكافية مرتبطة بشكل كبير بمختلف الأحداث غير الآمنة. تسلط النتائج الضوء على الإمكانية للحصول على رؤى تنبؤية حول سلامة الطيران من خلال تحليل التفاعلات التاريخية للأحداث بشكل كمي.
في معالجة قيود ممارسات التنبؤ بالأحداث الجوية الحالية، تؤكد هذه الدراسة على أهمية الاستفادة من البيانات التاريخية وتقنيات استخراج البيانات لتعزيز السلامة التشغيلية. حددت خوارزمية Apriori المعدلة، المطبقة في إطار التعلم غير المراقب، 128 قاعدة ارتباط ذات مغزى، والتي تم تحسينها لاحقًا باستخدام تقنيات التعلم المراقب لتحسين دقة التحليل السببي. تشير النتائج إلى أن أنواع معينة من الأحداث والعوامل، وخاصة تلك المتعلقة بالأخطاء البشرية ونقص الإدارة، تعتبر حاسمة لإدارة السلامة في الطيران المدني. تؤكد الدراسة على ضرورة إعطاء الأولوية لهذه العوامل في الممارسات التشغيلية وتقترح اتجاهات بحث مستقبلية تشمل توسيع مجموعة البيانات ودمج منهجيات التعلم العميق للتخفيف من التحيزات المحتملة في نتائج التعلم الآلي.
الطرق
يحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يوضح تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة. استخدمت الدراسة نهجًا كميًا، باستخدام أدوات إحصائية لتحليل البيانات واستخلاص النتائج.
تم تجنيد المشاركين بناءً على معايير إدراج محددة، مما يضمن عينة تمثيلية ذات صلة بأسئلة البحث. شمل جمع البيانات أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أساليب إحصائية مناسبة، مثل تحليل الانحدار أو ANOVA، لتقييم العلاقات بين المتغيرات وتقدير دلالة النتائج.
بشكل عام، تم تصميم المنهجية بدقة لضمان أن النتائج قوية ويمكن تعميمها على السكان الأوسع، مما يسهم بذلك في تقديم رؤى قيمة في مجال الدراسة.
المناقشة
يؤكد قسم المناقشة في الورقة البحثية على أهمية نظرية سبب الحوادث في فهم أحداث السلامة عبر مختلف الصناعات، وخاصة الطيران. يسلط الضوء على انتشار أكثر من خمسين نموذجًا متميزًا لسبب الحوادث، حيث تعتبر النماذج النظامية الأكثر شيوعًا بسبب نهجها الشامل. وقد حددت دراسات بارزة تستخدم نظام تحليل وتصنيف العوامل البشرية (HFACS) وغيرها من المنهجيات علاقات حاسمة بين العوامل البشرية ووقوع الحوادث. ومع ذلك، ينتقد القسم الاعتماد التقليدي على معالجة البيانات اليدوية، والتي غالبًا ما تكون غير فعالة وعرضة للأخطاء، مما يبرز إمكانيات تقنيات استخراج البيانات لتعزيز تحليل بيانات الحوادث.
تدعو الورقة إلى تطبيق استخراج البيانات، وخاصة خوارزمية Apriori، لكشف العلاقات المعقدة بين العوامل المسببة في حوادث الطائرات. توضح الخطوات المسبقة اللازمة لتحليل البيانات الفعال، بما في ذلك تنظيف البيانات واستخراج الميزات باستخدام طريقة تكرار المصطلحات – تكرار الوثائق العكسية (TF-IDF). يقترح المؤلفون نسخة محسنة من خوارزمية Apriori لمعالجة التحديات مثل قيم NaN وعدم الكفاءة الحسابية، مما يحسن استخراج قواعد الارتباط ذات المغزى. تهدف هذه التقدم المنهجي إلى تسهيل فهم أكثر دقة للعلاقات بين العوامل المسببة المختلفة، مما يسهم في تحسين تدابير السلامة في الطيران.
DOI: https://doi.org/10.1038/s41598-024-64360-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38862593
Publication Date: 2024-06-11
Author(s): Huaqun Chen et al.
Primary Topic: Occupational Health and Safety Research
Overview
This research paper investigates the complex causes of aircraft events by employing a modified Apriori algorithm to mine association rules between trigger probabilities and their relative strengths. The study utilizes clustering for data preprocessing and TF-IDF for feature extraction, resulting in the identification of causative item sets based on the accident causation 2-4 model. The analysis, which includes 9,835 data points from the Southwest Air Traffic Management Bureau, reveals that factors such as improper energy allocation, poor conflict resolution, and inadequate management are significantly correlated with various unsafe events. The findings highlight the potential for predictive insights into aviation safety by quantitatively analyzing historical event interactions.
In addressing the limitations of current aviation event prediction practices, this study emphasizes the importance of leveraging historical data and data mining techniques to enhance operational safety. The modified Apriori algorithm, applied in an unsupervised learning framework, identified 128 meaningful association rules, which were further refined using supervised learning techniques to improve causal analysis accuracy. The results indicate that certain event types and factors, particularly those related to human error and management deficiencies, are critical for safety management in civil aviation. The study underscores the necessity of prioritizing these factors in operational practices and suggests future research directions that include expanding the dataset and integrating deep learning methodologies to mitigate potential biases in machine learning outcomes.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized. The study employed a quantitative approach, utilizing statistical tools to analyze the data and draw conclusions.
Participants were recruited based on specific inclusion criteria, ensuring a representative sample relevant to the research questions. Data collection involved standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using appropriate statistical methods, such as regression analysis or ANOVA, to evaluate the relationships between variables and assess the significance of the findings.
Overall, the methodology was rigorously designed to ensure that the results are robust and can be generalized to the broader population, thereby contributing valuable insights to the field of study.
Discussion
The discussion section of the research paper emphasizes the significance of accident causation theory in understanding safety events across various industries, particularly aviation. It highlights the proliferation of over fifty distinct accident causation models, with systemic models being the most prevalent due to their holistic approach. Notable studies employing the Human Factors Analysis and Classification System (HFACS) and other methodologies have identified critical relationships between human factors and accident occurrences. However, the section critiques the traditional reliance on manual data processing, which is often inefficient and prone to errors, underscoring the potential of data mining techniques to enhance the analysis of accident data.
The paper advocates for the application of data mining, particularly the Apriori algorithm, to uncover complex relationships among causative factors in aircraft incidents. It details the preprocessing steps necessary for effective data analysis, including data cleaning and feature extraction using the term frequency-inverse document frequency (TF-IDF) method. The authors propose an enhanced version of the Apriori algorithm to address challenges such as NaN values and computational inefficiencies, thereby improving the extraction of meaningful association rules. This methodological advancement aims to facilitate a more accurate understanding of the interrelations among various causative factors, ultimately contributing to improved safety measures in aviation.