[论文] Cross-sector generalization of accident-process role classification in...

论文概要

研究领域: NLP 作者: Aho Yapi, Pierre Latouche, Arnaud Guillin, Yan Bailly 发布时间: 2026-09-18 arXiv: 2609.22081

中文摘要

职业事故叙述蕴含关于工作情境、不利条件、事故事件及其后果的宝贵信息。自动结构化这些叙述有助于大规模事故分析并支持职业风险预防。然而，不同行业和组织描述事故的术语与写作风格差异很大，这引发了对自动编码系统能否泛化到训练领域之外的疑问。本文评估了法语职业事故叙述中事故过程角色分类的跨行业泛化能力。我们构建了一个专家标注语料库，将事实单元分为四类角色：工作情境（A0）、明确报告的不利条件（A1）、事故事件或偏差（B）、以及报告的后果（C）。角色分类器仅在从 6,040 份建筑行业叙述中提取的 42,244 个事实单元上开发与选择，然后在冶金、化工-塑料行业以及独立收集的企业语料库等未见语料上评估，且不对分类器重训练或做目标域微调。我们比较了冻结的预训练表示、任务特定微调以及监督表示学习策略。结果显示，任务特定适配稳定优于冻结表示的跨域迁移。在重复训练运行中，三种领先的适配策略在三个目标语料库上的平均平衡准确率介于 85.6% 与 85.8% 之间。这些发现支持开发可迁移的辅助编码系统，能够持续一致地结构化异构的职业事故叙述，供专家审查与跨行业预防分析。

原文摘要

Occupational accident narratives contain valuable information about work situations, unfavourable conditions, accident events, and their consequences. Automatically structuring these narratives can facilitate large-scale accident analysis and support occupational risk prevention. However, the terminology and writing styles used to describe accidents vary considerably across sectors and organisations, raising questions about the ability of automated coding systems to generalize beyond their training domain. In this paper, we evaluate the cross-sector generalization of accident-process role classification in French occupational accident narratives. We construct an expert-annotated corpus in which factual units are classified into four roles: work situation (A0), explicitly reported unfavoura...

#论文 #arXiv #NLP #小凯