关键词:
不安全行为
安全培训
自适应学习
知识图谱
深度学习
多模态数据
摘要:
土木工程施工安全问题一直是困扰业界、学者和社会的重大难题。安全培训是提高施工工人安全知识水平,减少不安全行为发生的直接有效手段之一。然而,现有的安全培训方法忽视了工人学习风格、技能水平等个性化特征对安全培训效果的影响,无法以个体施工工人乐于接受的方式适应性呈现其需要并缺乏的安全知识。因此,本文提出了基于自适应学习的施工工人安全知识智能推荐方法,主要研究工作如下:(1)施工工人安全知识领域模型的构建。结合施工安全标准规范、事故调查报告等安全知识载体,构建了面向施工工人安全知识学习的语义本体模型。为从包含施工安全知识的文本中自动抽取安全知识三元组,以CASREL模型为基础,集成对比学习思想提出了融合无监督学习和有监督学习的CL-CASREL模型,精确率、召回率和F1分数分别提高了9.9%、5.0%和7.0%。采用图数据库Neo4j对抽取的安全知识三元组进行存储和更新,构建了可视化的安全知识知识图谱。由此,实现了施工工人安全知识领域模型的构建,为安全知识的适应性智能推荐提供了数据基础。(2)施工工人安全知识学习者模型的构建。阐述了教育领域学习者模型中个性化特征的常见构成,结合施工工人特色特征,明确了工人学习者模型的自适应源,主要包括工种类型、学习风格、认知水平和技能水平。对于自适应源的特征描述和获取,采用所罗门学习风格量表获取施工工人的学习风格,采用安全知识测试题考核施工工人的认知水平。利用视频帧中蕴含的时空信息,提出了基于机器视觉和深度学习的方法监测施工工人的技能水平。由此,实现了施工工人安全知识学习者模型的构建与动态更新,为安全知识的适应性智能推荐提供了依据。(3)基于多模态数据的施工工人安全知识自适应引擎的构建。建立了自适应引擎安全知识推荐的框架流程,描述了不同施工工人特征与培训形式、培训路径及培训内容推荐间的关系。针对施工工人的认知需求和学习风格差异,构建了多模态安全知识智能推荐算法,包括基于K-BERT的文本匹配的培训素材推荐,基于KSGRAF的图像文本匹配的培训素材推荐,以及基于DOLG的图像匹配的培训素材推荐。通过融合领域模型包含的安全知识语义信息,数据和知识融合驱动的算法(K-BERT和K-SGRAF)表现出比数据驱动的算法(BERT和SGRAF)更优越的性能。由此,实现了施工工人安全知识自适应引擎的构建,可支持安全知识的智能推荐与适应性呈现。(4)施工工人安全知识自适应学习系统的设计与实现。基于施工工人安全知识领域模型、学习者模型和自适应引擎的构建,对施工工人安全知识自适应学习系统的移动端和网页端进行了设计、开发与实现。对比采用自适应学习系统和采用非自适应学习系统的工人的安全知识学习状态的变化,验证了基于自适应学习的安全知识智能推荐方法对工人的安全知识认知水平和技能水平的提升效用。本研究成果对减少施工现场不安全行为、提高工地安全管理水平、促进建筑业的高质量发展具有重要意义。