An Ontology-Based Classification Framework for Situation Extraction from Concrete Pouring Radio Logs

Resumen Técnico: Un Marco de Clasificación Basado en Ontologías para la Extracción de Situaciones a partir de Registros de Radio de Vertido de Hormigón

Planteamiento del Problema
El vertido de hormigón implica operaciones simultáneas y complejas (por ejemplo, entrega de bomba, comprobaciones de encofrado, movimiento de trabajadores) donde la seguridad depende en gran medida de la comunicación por radio en tiempo real. Sin embargo, las expresiones de radio en los sitios de construcción son distintas de los documentos estándar; son cortas, elípticas y frecuentemente omiten hablantes, ubicaciones u objetos. A menudo contienen jerga específica del sitio, expresiones derivadas del japonés, gritos, lenguaje soez y órdenes urgentes. En consecuencia, la simple detección de palabras clave es insuficiente para identificar condiciones de equipos, estados de estructuras temporales, señales de peligro o acciones de control. El desafío central es normalizar estas expresiones no estructuradas y específicas del campo en conceptos estándar y derivar situaciones críticas para la seguridad (peligros, controles, estados) basándose en las relaciones semánticas entre los elementos en lugar de palabras aisladas.

Metodología
El estudio propone un marco basado en ontologías de dos capas diseñado para procesar los registros de radio mediante la normalización, el etiquetado semántico y el juicio basado en relaciones.

1. Normalización de Expresiones de Campo: Antes del mapeo de la ontología, las expresiones de radio se normalizan. La jerga del sitio (por ejemplo, "wakku" para encofrado, "noro" para pasta de cemento) y las expresiones no estandarizadas se convierten en terminología de construcción estándar. Esta etapa también segmenta las expresiones en unidades de objeto, fenómeno, acto y discurso/emoción, preservando el lenguaje soez y la urgencia como marcadores de actitud en lugar de eliminarlos.
2. Estructura de Ontología de Dos Capas:
   • Capa 1 (Etiquetas Semánticas Detalladas): Las expresiones normalizadas se mapean a siete ejes semánticos: Trabajo, Acto, Objeto, Objetivo, Fenómeno, Interjección/Discurso y Lenguaje Soez/Emoción. Cada eje tiene códigos específicos (por ejemplo, el Objeto incluye equipos, estructuras temporales, materiales; el Fenómeno incluye aumento de presión, pliegues, fugas).
   • Capa 2 (Derivación de Situaciones): Las señales de peligro, las acciones de control y los estados de situación no se asignan a palabras individuales, sino que se derivan de patrones de relación entre las etiquetas de la Capa 1. Las relaciones clave incluyen la vinculación objeto-fenómeno (por ejemplo, Encofrado + Fallo Inminente = Riesgo de Fallo de Encofrado), la vinculación acto-objetivo (por ejemplo, Orden + Trabajador + Verbo de Evacuación = Despeje de Trabajador) y las reglas de transición de estado (por ejemplo, Señal de Peligro + Confirmación = Estado Resuelto).
3. Estrategia de Evaluación: Debido a la dificultad de recolectar y divulgar datos reales de radio (que pueden contener contenido sensible o inapropiado), el estudio utiliza un registro de radio virtual de un día construido por investigadores que contiene 25 expresiones. Se creó una tabla de mapeo de ontología de referencia para este registro. El rendimiento del marco se evaluó comparando los resultados de la extracción basados en reglas contra esta tabla de referencia. Además, se probó un Modelo de Lenguaje Grande (LLM local, qwen2.5:7b) como línea base para el mapeo detallado de etiquetas para evaluar su capacidad para manejar expresiones de campo en comparación con el enfoque basado en reglas.

Contribuciones Clave

• Marco Semántico Estructurado: El estudio define un esquema de etiquetado detallado que separa la jerga del sitio, las interjecciones y el lenguaje soez en ejes semánticos específicos en lugar de tratarlos como ruido o simples palabras clave de peligro.
• Juicio Basado en Relaciones: Cambia el paradigma de la coincidencia de palabras clave al de la inferencia basada en relaciones. Las señales de peligro y las acciones de control se derivan solo cuando se confirman relaciones semánticas específicas (por ejemplo, la vinculación objeto-fenómeno), evitando falsos positivos de palabras aisladas.
• Mecanismo de Revisión-Retención (Review-Hold): El artículo introduce un marco de evaluación riguroso utilizando una tabla de mapeo de referencia. Crucialmente, define criterios de "revisión-retención" para expresiones que no pueden confirmarse automáticamente (por ejemplo, falta de objetivos o jerga ambigua), distinguiendo entre elementos determinables automáticamente y aquellos que requieren revisión humana.
• Definición del Rol del LLM: El estudio posiciona a los LLM no como decisores finales para el monitoreo de seguridad, sino como herramientas para el mapeo preliminar de etiquetas, resaltando sus limitaciones actuales en la separación estable de ejes y la selección de códigos en comparación con los sistemas basados en reglas.

Resultados
Utilizando el registro virtual de 25 expresiones, el sistema de extracción basado en reglas logró las siguientes tasas de acuerdo contra la tabla de referencia:

• Etiquetas Detalladas: 95.9% de acuerdo (3.4% de revisión-retención).
• Relaciones: 86.4% de acuerdo (9.1% de revisión-retención).
• Señales de Peligro: 90.0% de acuerdo (10.0% de revisión-retención).
• Acciones de Control: 97.0% de acuerdo (3.0% de revisión-retención).
• Estados de Situación: 100.0% de acuerdo (0.0% de revisión-retención).
• Juicio de No-Peligro: 100.0% de precisión en la identificación de expresiones de trabajo normales como no peligrosas.

En contraste, el mapeo basado en LLM logró solo un 34.5% de acuerdo en etiquetas detalladas y generó 49 elementos excedentes no presentes en la tabla de referencia. El LLM tuvo dificultades para separar los ejes (por ejemplo, confundiendo objetivos de inspección con fenómenos reales) y para seleccionar los códigos correctos para las expresiones de campo.

Significancia y Reivindicaciones
El artículo afirma que su contribución principal es proporcionar un esquema de etiquetado detallado, reglas de juicio basadas en relaciones y un marco de análisis de errores adecuado para una futura validación con datos reales o simulados. Establece explícitamente que no verifica el desempeño operativo de un sistema de monitoreo automático utilizando datos reales de campo. En su lugar, el estudio demuestra que:

1. Las expresiones de radio pueden tratarse como unidades estructuradas para el juicio de monitoreo en lugar de simple texto para la detección de palabras clave.
2. Una ontología de dos capas puede derivar con éxito situaciones de seguridad complejas (peligros, controles, estados) a partir de las relaciones entre elementos semánticos.
3. Un mecanismo de "revisión-retención" es esencial para prevenir errores como la clasificación excesiva de expresiones normales como peligros o la interpretación errónea de solicitudes de confirmación como incidentes reales.
4. Aunque los LLM pueden capturar significados aproximados de las expresiones de campo, actualmente carecen de la estabilidad requerida para la separación precisa de ejes y la selección de códigos necesarios para la toma de decisiones críticas para la seguridad sin supervisión humana o verificación basada en reglas.

El estudio concluye que el marco propuesto estructura eficazmente el procedimiento de procesamiento previsto para el registro virtual, pero la existencia de elementos de revisión-retención resalta la necesidad de un mayor refinamiento de los diccionarios de terminología, las reglas de anáfora y las reglas de descomposición de actos múltiples antes de su despliegue en entornos de campo reales.