労災文書のAI分類、他業種で85%超を達成

研究の概要

労働災害の報告文には、作業状況、不安全な条件、事故の経過、結果といった情報が自由記述で含まれる。ただし用語や書き方は業種や組織によって大きく異なる。特定分野で構築した自動コーディングの仕組みが他分野でも通用するかどうかが、実務上の課題であった。

研究チームは、事実を述べる単位を四つの役割に分類する枠組みを設定した。作業状況（A0）、明示的に報告された不安全な条件（A1）、事故事象または逸脱（B）、報告された結果（C）である。分類器の開発と選定には、建設業の報告文6,040件から抽出した42,244の事実単位のみを用いた。評価は、学習に使っていない金属業と化学・プラスチック業のコーパス、および独自に収集された企業の報告文で実施した。対象領域での再学習や調整は行っていない。

比較したのは、事前学習済みの表現をそのまま使う方式と、タスク特化の微調整や教師あり表現学習の方式である。結果として、タスクへの適応を施した方式が、凍結表現を一貫して上回った。上位三方式は、複数回の学習を通じて、三つの対象コーパス平均で**85.6〜85.8%**のバランス精度を記録した。

ビジネスへの示唆

最大の意味は、一つの業種で整備した教師データを、他業種の災害分析に転用できる可能性が示された点である。安全衛生部門にとって、業種や拠点ごとに注釈付きデータを作り直す費用と期間は、自動化の導入障壁であった。転用が効けば、初期投資の抑制と立ち上げ期間の短縮が見込める。たとえば、建設業で整備した教師データを起点に、金属加工や化学工場を抱える製造業グループが、自社の災害報告を同じ枠組みで整理する使い方が想定される。

影響が見込まれる部門と指標は次のとおりである。

• 製造業・化学業の安全衛生部門：災害報告の分類・集計に要する工数、報告から分析完了までのリードタイム
• 複数事業を持つ企業グループの本社安全部門：拠点・子会社間の事例比較の件数、再発防止策の水平展開の速度
• 労災リスクを扱う保険会社や業界団体：事故要因分類の一貫性、リスク評価にかかる作業時間

四つの役割に構造化することで、「どの作業状況で、どのような不安全条件があり、何が起き、どんな結果に至ったか」を統一形式で集計できる。これにより、災害の傾向分析や重点対策の優先順位づけを、部門や拠点を越えて実施しやすくなる。度数率や強度率といった結果指標の改善に先立ち、要因把握の速度と網羅性を高める効果が期待される。

ただし、研究が想定するのは専門家の確認を前提とした支援型のコーディングであり、完全自動化ではない。85%台という精度は、一定割合の誤分類が残ることを意味する。担当者が結果を点検する工程を運用に組み込む必要がある。

今後の展望

実務での導入は、自社の報告文の一部で精度を検証し、誤分類が生じやすい役割を把握したうえで、レビュー工程に段階的に組み込む進め方が現実的である。今回の検証はフランス語の報告文が対象であり、日本語の災害報告への適用可否は別途確認が要る。対象コーパスも三つにとどまる。

今後は、役割ごとの精度差の解明、専門家のレビュー負荷の実測、他業種・他言語への拡張が課題となる。業種別に蓄積された報告文を共通形式で扱える基盤が整えば、企業単位の安全管理にとどまらず、業界横断の予防施策の立案にも活用が広がる可能性がある。