Dezembro 2020 vol. 7 num. 3 - VIII Simpósio de Engenharia de Produção

Artigo completo - Open Access.

Idioma principal | Segundo idioma

PROCESSAMENTO DE LINGUAGEM NATURAL EM SEGURANÇA E MEIO AMBIENTE: UMA REVISÃO DE LITERATURA

PROCESSAMENTO DE LINGUAGEM NATURAL EM SEGURANÇA E MEIO AMBIENTE: UMA REVISÃO DE LITERATURA

Domingues, Rodrigo Petrus ; Pereira, Valdecy ; Moreira, Douglas ; Prottes, Verônica de Miranda ;

Artigo completo:

Em virtude das lacunas existentes nas políticas de segurança ao longo das últimas décadas, o índice de acidentes nas empresas ao redor do mundo manteve-se elevado implicando em perdas humanas e ambientais sem mensuração. Por outro lado, a facilidade de acesso de informações não estruturadas em formato digital, em conjunto com o desenvolvimento de algoritmos de Inteligência Artificial, tais como o Processamento de Linguagem Natural (PLN), permitiu sistematizar a análise de um volume substancial de informações tirando vantagem do grande poder de processamento dos computadores atuais. Desta forma, este trabalho realizou uma breve revisão de literatura sobre área de Segurança, Meio Ambiente e Saúde (SMS), em conjunto com as ferramentas de PLN e como estas vem sendo empregadas de acordo com o estado da arte. Neste artigo, foi proposto um método para realizar a revisão de literatura deste tema através de PLN, com o desenvolvimento de algoritmo capaz de separar diferentes artigos (dentre um universo de 300 artigos) em agrupamentos semânticos através de técnicas de word embeddings (doc2vec). Em seguida, vinte artigos foram selecionados - amostragem por conveniência e relevância - para análise, permitindo assim identificar lacunas para mitigar questões referentes ao SMS. Por fim, a metodologia apresentou resultados satisfatórios, contudo são extremamente dependentes da quantidade e qualidade dos dados, destacando-se ainda que tanto a utilização quanto a acurácia destes modelos aumentou significativamente na análise de fatores de Segurança, Meio Ambiente e Saúde, à medida em que novas técnicas (ou combinações) destas são criadas e implementadas.

Artigo completo:

Em virtude das lacunas existentes nas políticas de segurança ao longo das últimas décadas, o índice de acidentes nas empresas ao redor do mundo manteve-se elevado implicando em perdas humanas e ambientais sem mensuração. Por outro lado, a facilidade de acesso de informações não estruturadas em formato digital, em conjunto com o desenvolvimento de algoritmos de Inteligência Artificial, tais como o Processamento de Linguagem Natural (PLN), permitiu sistematizar a análise de um volume substancial de informações tirando vantagem do grande poder de processamento dos computadores atuais. Desta forma, este trabalho realizou uma breve revisão de literatura sobre área de Segurança, Meio Ambiente e Saúde (SMS), em conjunto com as ferramentas de PLN e como estas vem sendo empregadas de acordo com o estado da arte. Neste artigo, foi proposto um método para realizar a revisão de literatura deste tema através de PLN, com o desenvolvimento de algoritmo capaz de separar diferentes artigos (dentre um universo de 300 artigos) em agrupamentos semânticos através de técnicas de word embeddings (doc2vec). Em seguida, vinte artigos foram selecionados - amostragem por conveniência e relevância - para análise, permitindo assim identificar lacunas para mitigar questões referentes ao SMS. Por fim, a metodologia apresentou resultados satisfatórios, contudo são extremamente dependentes da quantidade e qualidade dos dados, destacando-se ainda que tanto a utilização quanto a acurácia destes modelos aumentou significativamente na análise de fatores de Segurança, Meio Ambiente e Saúde, à medida em que novas técnicas (ou combinações) destas são criadas e implementadas.

Download (PDF)

Palavras-chave: Processamento de Linguagem Natural, Segurança, Meio Ambiente e Saúde, Inteligência Artificial, Revisão de Literatura.,

Palavras-chave: Processamento de Linguagem Natural, Segurança, Meio Ambiente e Saúde, Inteligência Artificial, Revisão de Literatura.,

DOI: 10.5151/viisimep-238979

Referências bibliográficas
  • [1] AB TALIB, M. S.; ABDUL HAMID, A. B.; THOO, A. C. Critical success factors of supply chain management: a
  • [2] literature survey and Pareto analysis. EuroMed Journal of Business, v. 10, n. 2, p. 234–263, 6 jul. 2015.
  • [3] BIAN, J.; TOPALOGLU, U.; YU, F. Towards large-scale twitter mining for drug-related adverse events.
  • [4] International Conference on Information and Knowledge Management, Proceedings. Anais...2012Disponível em:
  • [5]
  • [6] 84870431352&doi=10.1145%2f2389707.2389713&partnerID=40&md5=d9f9fbc01035dc468da0764adb92a853>
  • [7] CHOKOR, A., NAGANATHAN, H., CHONG, W. K., & ASMAR, M. E. Analyzing Arizona OSHA Injury Reports
  • [8] Using Unsupervised Machine Learning. Procedia Engineering, 145, 1588–1593.doi:10.1016/j.proeng.2016.04.200,
  • [9] 2016.
  • [10] CHUNZHI W., PENG C.J., CHUANG D., FUZHOU F., TANG C. Intelligent fault diagnosis of rotating
  • [11] machinery based on one-dimensional convolutional neural network, 2019.
  • [12] DARAMOLA, O., STALHANE, T., SINDRE, G., & OMORONYIA, I. Enabling hazard identification from
  • [13] requirements and reuse-oriented HAZOP analysis. 2011 4th International Workshop on Managing Requirements
  • [14] Knowledge.doi:10.1109/mark.2011.6046555, 2011.
  • [15] DASGUPTA, T., NASKAR, A., SAHA, R., & DEY, L. Extraction and Visualization of Occupational Health
  • [16] and Safety Related Information from Open Web. 2018 IEEE/WIC/ACM International Conference on Web
  • [17] Intelligence (WI).doi:10.1109/wi.2018.00-56, 2018.
  • [18] HANIF, M. A., KHALID, F., PUTRA, R. V. W., REHMAN, S., & SHAFIQUE, M. Robust Machine Learning
  • [19] Systems: Reliability and Security for Deep Neural Networks. 2018 IEEE 24th International Symposium on OnLine Testing And Robust System Design (IOLTS).doi:10.1109/iolts.2018.8474192, 2018.
  • [20] HEIDARYSAFA, M., KOWSARI, K., BARNES, L., BROWN, D. Analysis of Railway Accidents’ Narratives
  • [21] Using Deep Learning. 2018 17th IEEE International Conference on Machine Learning and Applications
  • [22] (ICMLA).doi:10.1109/icmla.2018.00235, 2018.
  • [23] HENRY, S.; CUFFY, C.; MCINNES, B. T. Vector representations of multi-word terms for semantic relatedness.
  • [24] Journal of Biomedical Informatics, v. 77, p. 111–119, jan. 2018.
  • [25] ISAH, H., TRUNDLE, P., & NEAGU, D. Social media analysis for product safety using text mining and
  • [26] sentiment analysis. 2014 14th UK Workshop on Computational Intelligence
  • [27] (UKCI).doi:10.1109/ukci.2014.6930158, 2014.
  • [28] KIM, T., & CHI, S. Accident Case Retrieval and Analyses: Using Natural Language Processing in the Construction
  • [29] Industry. Journal of Construction Engineering and Management, 145(3), 04019004.doi:10.1061/(asce)co.1943-
  • [30] 7862.0001625, 2019.
  • [31] LAZZARI, M.; SALVANESCHI, P.; BREMBILLA, L. Looking for analogies in structural safety management
  • [32] through connectionist associative memories. Proceedings of International Workshop on Neural Networks for
  • [33] Identification, Control, Robotics, and Signal/Image Processing, NICROSP. Anais...1996Disponível em:
  • [34]
  • [35] 0029726674&partnerID=40&md5=b61967a6f0db31dbe058d9c452851138>
  • [36] LE, Q. V.; MIKOLOV, T. Distributed Representations of Sentences and Documents. arXiv:1405.4053 [cs], 16 maio
  • [37] 2014.
  • [38] LIU, H.; CHIROMA, F.; COCEA, M. Identification and classification of misogynous tweets using multiclassifier fusion. . In: CEUR WORKSHOP PROCEEDINGS 2150. 2018.
  • [39] 20
  • [40] MAJEWSKI, M.; KACALAK, W. Natural language human-machine interface using artificial neural networks.
  • [41] Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and
  • [42] Lecture Notes in Bioinformatics), v. 3973 LNCS, p. 1161–1166, 2006.
  • [43] MAJEWSKI, MACIEJ & KACALAK, WOJCIECH. Automatic Recognition and Evaluation of Natural Language
  • [44] Commands. Lecture Notes in Computer Science. 3973. 1155-1160. 10.1007/11760191_168, 2006.
  • [45] MIKOLOV, T. et al. Efficient Estimation of Word Representations in Vector Space, 2013.
  • [46] NAKATA, T. Text-mining on incident reports to find knowledge on industrial safety. Proceedings - Annual
  • [47] Reliability and Maintainability Symposium. Anais...2017Disponível em:
  • [48]
  • [49] 85018618350&doi=10.1109%2fRAM.2017.7889795&partnerID=40&md5=700011817afc2faac621dfd7e37cb975>
  • [50] ROSADINI, B., FERRARI, A., GORI, G., FANTECHI, A., GNESI, S., TROTTA, I., & BACHERINI, S. Using
  • [51] NLP to Detect Requirements Defects: An Industrial Experience in the Railway Domain. Lecture Notes in
  • [52] Computer Science, 344–360. doi:10.1007/978-3-319-54045-0_24, 2017.
  • [53] SARI, Y., HASSAN, M. F., & ZAMIN, N. A Hybrid Approach to Semi-supervised Named Entity Recognition
  • [54] in Health, Safety and Environment Reports. 2009 International Conference on Future Computer and
  • [55] Communication.doi:10.1109/icfcc.2009.52, 2009.
  • [56] SHUAI, Q. et al. Sentiment Analysis on Chinese Hotel Reviews with Doc2Vec and Classifiers. (2018) IEEE 3rd
  • [57] Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). In: 2018 IEEE 3rd
  • [58] Advanced Information Technology, Electronic And Automation Control Conference (IAEAC). Chongqing: IEEE,
  • [59] out. 2018.
  • [60] STOCKER, C. et al. Enhancing patient safety through human-computer information retrieval on the example
  • [61] of german-speaking surgical reports. Proceedings - International Workshop on Database and Expert Systems
  • [62] Applications, DEXA. Anais...2014Disponível em:
  • [63] 84919342925&doi=10.1109%2fDEXA.2014.53&partnerID=40&md5=33a26ba69bf2e157e4da11d224349624>
  • [64] TAKENAKA, K., BANDO, T., NAGASAKA, S., TANIGUCHI, T., & HITOMI, K. Contextual scene
  • [65] segmentation of driving behavior based on double articulation analyzer. 2012 IEEE/RSJ International
  • [66] Conference on Intelligent Robots and Systems.doi:10.1109/iros.2012.6385614, 2012.
  • [67] TANGUY, L., TULECHKI, N., URIELI, A., HERMANN, E., & RAYNAL, C. Natural language processing for
  • [68] aviation safety reports: From classification to interactive analysis. Computers in Industry, 78, 80–
  • [69] 95.doi:10.1016/j.compind.2015.09.005, 2015.
  • [70] TIXIER, A. J.-P., HALLOWELL, M. R., RAJAGOPALAN, B., & BOWMAN, D.. Automated content analysis for
  • [71] construction safety: A natural language processing system to extract precursors and outcomes from unstructured
  • [72] injury reports. Automation in Construction, 62, 45–56.doi:10.1016/j.autcon.2015.11.001, 2016.
  • [73] TIXIER, A. J.-P. et al. Application of machine learning to construction injury prediction. Automation in
  • [74] Construction, v. 69, p. 102–114, 2016a.
  • [75] WU et al. (2004). NLP Versus IR Approaches to Fuzzy Name Searching in Digital Libraries. Research and
  • [76] Advanced Technology for Digital Libraries, 2004. Springer Berlin Heidelberg, Berlin, Heidelberg, 978-3-540-
  • [77] 30230-8. 10.1007/978-3-540-30230-8_14.
  • [78] ZADEH, L. A. A New Frontier in Computation-Computation with Information Described in Natural
  • [79] Language. 2007 IEEE International Symposium on Intelligent Signal Processing.doi:10.1109/wisp.2007.4447531,
  • [80] 2007.
Como citar:

Domingues, Rodrigo Petrus; Pereira, Valdecy; Moreira, Douglas; Prottes, Verônica de Miranda; "PROCESSAMENTO DE LINGUAGEM NATURAL EM SEGURANÇA E MEIO AMBIENTE: UMA REVISÃO DE LITERATURA", p. 574-594 . In: Anais do VIII Simpósio de Engenharia de Produção . São Paulo: Blucher, 2020.
ISSN 2357-7592, DOI 10.5151/viisimep-238979

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações