Text mining of accident reports using semi-supervised keyword extraction and topic modeling

计算机科学 领域(数学分析) 管道(软件) 事故(哲学) 关键词提取 集合(抽象数据类型) 事故报告 监督学习 机器学习 航空 人工智能 情报检索 数据挖掘 过程(计算) 工程类 计算机安全 人工神经网络 数学分析 操作系统 哲学 航空航天工程 认识论 程序设计语言 数学
作者
Abdhul Ahadh,Govind Vallabhasseri Binish,Rajagopalan Srinivasan
出处
期刊:Chemical Engineering Research & Design [Elsevier BV]
卷期号:155: 455-465 被引量:32
标识
DOI:10.1016/j.psep.2021.09.022
摘要

Learning from past incidents is critical to achieving and maintaining high process safety performance. Accident and incident records provide one way for learning; however, these are usually in the form of unstructured texts, which makes analysis difficult. Recently, text mining methods based on supervised learning have been proposed for analyzing accident reports; however, they require an impractically large number of labeled records as training examples. This paper proposes an automated, semi-supervised, domain-independent approach for analyzing accident reports. Given a set of user-defined classification topics and domain literature such as handbooks, glossaries, and Wikipedia articles, the method can identify domain-specific keywords and group them into topics with minimal expert involvement. These keywords and topics can then be used for various data mining purposes, including classification. The proposed approach is demonstrated using two different case studies across domains: (1) in aviation to identify the stage of flight when an accident occurs, and (2) in the process industry domain to identify the cause of pipeline accidents. The average classification accuracy of the proposed method was 80% which is comparable to that of supervised learning methods. The key benefits of this approach are that it can generate domain-specific predictive models with limited manual intervention.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
swing完成签到 ,获得积分10
1秒前
大模型应助wang采纳,获得10
1秒前
Ethanyoyo0917完成签到,获得积分10
2秒前
JJS完成签到,获得积分10
2秒前
汉堡包应助鑫儿采纳,获得10
3秒前
3秒前
踏实嚣完成签到 ,获得积分10
5秒前
5秒前
chenxilulu完成签到,获得积分10
6秒前
Jacky完成签到,获得积分10
6秒前
qi0625完成签到,获得积分10
7秒前
7秒前
8秒前
8秒前
yefeng完成签到,获得积分10
9秒前
复杂的兔子完成签到,获得积分10
9秒前
小彭陪小崔读个研完成签到 ,获得积分10
12秒前
13秒前
wang发布了新的文献求助10
13秒前
Adrenaline完成签到,获得积分10
13秒前
鱼吃完成签到,获得积分20
14秒前
16秒前
16秒前
悄悄睡觉完成签到 ,获得积分10
17秒前
way完成签到,获得积分10
18秒前
18秒前
苏子轩完成签到 ,获得积分10
19秒前
QY11完成签到,获得积分10
21秒前
跳跃的太君完成签到,获得积分10
21秒前
彭于晏应助shengwufenzi采纳,获得10
22秒前
lemon完成签到,获得积分10
24秒前
ymk发布了新的文献求助10
24秒前
曾泳钧完成签到,获得积分10
25秒前
cyj完成签到 ,获得积分10
26秒前
h41692011完成签到 ,获得积分10
26秒前
粥粥完成签到 ,获得积分10
27秒前
大陆完成签到,获得积分10
27秒前
sure完成签到 ,获得积分10
27秒前
xmx完成签到 ,获得积分10
29秒前
十年完成签到 ,获得积分10
30秒前
高分求助中
Production Logging: Theoretical and Interpretive Elements 2700
Neuromuscular and Electrodiagnostic Medicine Board Review 1000
こんなに痛いのにどうして「なんでもない」と医者にいわれてしまうのでしょうか 510
The First Nuclear Era: The Life and Times of a Technological Fixer 500
Unusual formation of 4-diazo-3-nitriminopyrazoles upon acid nitration of pyrazolo[3,4-d][1,2,3]triazoles 500
岡本唐貴自伝的回想画集 500
Distinct Aggregation Behaviors and Rheological Responses of Two Terminally Functionalized Polyisoprenes with Different Quadruple Hydrogen Bonding Motifs 450
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3671625
求助须知:如何正确求助?哪些是违规求助? 3228325
关于积分的说明 9779625
捐赠科研通 2938636
什么是DOI,文献DOI怎么找? 1610180
邀请新用户注册赠送积分活动 760547
科研通“疑难数据库(出版商)”最低求助积分说明 736093