Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Classifying OSHA construction accident reports: leveraging ensemble learning and lightweight large language models (l-LLMs)

Identification

Clé publique
radar:r-288252b6cd1acb6d09cbde1e0bb234c8
Auteurs
Jun Wang · Shujie Wu · Ziyi Qu · Jianhong Shen · Shoeb Ahmed Memon · Martin Skitmore · Leyuan Ma
Année déclarée
2025
Langue déclarée
en
Type source
article
Première détection
2026-11-14T02:04:08.693339+00:00
Dernière observation des métadonnées
2026-11-14T02:04:08.693339+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Qingdao University of Technology · Bond University

Pays d’affiliation déclarés

AU · CN

Résumé documentaire — langue originale

Purpose This study aims to enhance the classification of construction accident reports by addressing challenges including limited high-quality datasets, class imbalance and constraints of traditional machine learning models. A novel framework integrating ensemble learning with lightweight large language models (l-LLMs) is proposed to improve the accuracy, robustness and practical utility of safety management in the construction industry. Design/methodology/approach A dataset of 10,994 Occupational Safety and Health Administration (OSHA) construction accident reports was manually labeled using the Occupational Injury and Illness Classification System (OIICS). To address class imbalance, random oversampling and Synthetic Minority Oversampling Technique (SMOTE) were applied and compared. Five l-LLMs (TinyBERT, MobileBERT, ELECTRA, DistilBERT and ALBERT) were fine-tuned for classification, and three ensemble methods (soft voting, hard voting and stacking) were evaluated. Findings Random oversampling substantially improved performance, whereas SMOTE decreased effectiveness. Ensemble classifiers consistently outperformed individual large language models (LLMs), with the soft-voting ensemble achieving the highest F1 score (0.9261 ± 0.0063), surpassing baseline models support vector machine (SVM), Naïve Bayes (NB) and long short-term memory (LSTM) network. The results demonstrate the framework’s ability to accurately classify rare and complex accident types, supporting early hazard detection, targeted safety training and risk mitigation strategies. Originality/value The study advances construction safety analytics by integrating ensemble learning with l-LLMs, offering a robust solution for imbalanced textual datasets. It highlights practical applications, including enhanced safety management, decision support and accident prevention, with potential adaptation to other datasets and international contexts. By linking technical innovation to tangible societal and economic benefits, the framework contributes to safer, more efficient construction practices and promotes a culture of safety.

Identifiants

OPENALEX
https://openalex.org/W7117466637
DOI
10.1108/ecam-08-2025-1273

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article
Éditeurs
Emerald Publishing Limited

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Jun Wang; Shujie Wu; Ziyi Qu; Jianhong Shen; Shoeb Ahmed Memon; Martin Skitmore; Leyuan Ma. Classifying OSHA construction accident reports: leveraging ensemble learning and lightweight large language models (l-LLMs). 2025. https://doi.org/10.1108/ecam-08-2025-1273

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Jun Wang; Shujie Wu; Ziyi Qu; Jianhong Shen; Shoeb Ahmed Memon; Martin Skitmore; Leyuan Ma. (2025). Classifying OSHA construction accident reports: leveraging ensemble learning and lightweight large language models (l-LLMs). https://doi.org/10.1108/ecam-08-2025-1273
Chicago
Jun Wang; Shujie Wu; Ziyi Qu; Jianhong Shen; Shoeb Ahmed Memon; Martin Skitmore; Leyuan Ma. Classifying OSHA construction accident reports: leveraging ensemble learning and lightweight large language models (l-LLMs). 2025. https://doi.org/10.1108/ecam-08-2025-1273
ISO 690
Jun Wang; Shujie Wu; Ziyi Qu; Jianhong Shen; Shoeb Ahmed Memon; Martin Skitmore; Leyuan Ma. Classifying OSHA construction accident reports: leveraging ensemble learning and lightweight large language models (l-LLMs). 2025. https://doi.org/10.1108/ecam-08-2025-1273

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Classifying OSHA construction accident reports: leveraging ensemble learning and lightweight large language models (l-LLMs). Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-288252b6cd1acb6d09cbde1e0bb234c8/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.1108/ecam-08-2025-1273

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature