Understanding Behavioural Risk Signals in Socio-Technical Work Systems Using Explainable Machine Learning

Résumé Technique : Comprendre les signaux de risque comportemental dans les systèmes de travail socio-techniques à l'aide de l'apprentissage automatique explicable

Énoncé du problème
La recherche conventionnelle sur la sécurité au travail modélise souvent le risque d'accident comme une fonction linéaire des scores agrégés de perception du climat de sécurité. Les auteurs soutiennent que cette approche peut potentiellement occulter l'hétérogénéité comportementale et les effets d'interaction critiques ancrés au niveau de l'item. Au sein des systèmes de travail socio-techniques, les accidents ne découlent que rarement de défaillances techniques isolées, mais émergent d'interactions complexes entre les structures organisationnelles, les pratiques de supervision et les caractéristiques de la main-d'œuvre. L'étude postule que le risque professionnel peut résulter de configurations comportementales non linéaires façonnées par des signaux organisationnels, que les modèles basés sur des moyennes ne parviennent pas à détecter. De plus, une observation empirique persistante suggère que l'occurrence d'accidents est inégalement répartie, même parmi les travailleurs ayant des expositions aux dangers similaires, ce qui indique que les modèles agrégés peuvent masquer des variations significatives dans la manière dont les signaux de sécurité sont interprétés et traduits en comportements.

Méthodologie
L'étude a utilisé un plan observationnel utilisant les données de 207 travailleurs dans un environnement industriel à haute criticité pour la sécurité. L'unité analytique était le travailleur individuel, la variable de résultat étant définie comme un indicateur binaire indiquant si un accident lié au travail est survenu au cours des 12 derniers mois.

• Collecte de données : Un questionnaire structuré auto-administré a recueilli les indicateurs de sécurité comportementale, les perceptions de sécurité et les données démographiques. Crucialement, l'étude a conservé les prédicteurs au niveau de l'item individuel plutôt que de les agréger en scores de dimensions composites, afin de préserver la granularité perceptive et d'éviter le biais d'agrégation.
• Stratégie de modélisation : La recherche a mis en œuvre un cadre analytique comparatif :
  1. Régression logistique : Utilisée comme modèle linéaire de référence pour estimer les associations directionnelles et les rapports de cotes (odds ratios).
  2. Apprentissage automatique d'ensemble (Ensemble Machine Learning) : Des classifieurs de type Forêt aléatoire (Random Forest) et de Boosting de gradient (Gradient Boosting) ont été employés pour capturer les motifs non linéaires et les interactions d'ordre supérieur. Les hyperparamètres ont été optimisés via une recherche par grille validée par validation croisée.
  3. IA explicable (XAI) : Les valeurs SHAP (SHapley Additive exPlanations), et plus précisément l'algorithme TreeSHAP, ont été appliquées aux modèles d'ensemble pour décomposer les prédictions et quantifier la contribution marginale de chaque caractéristique. Cela a permis à la fois un classement global des caractéristiques et une interprétation locale des structures d'interaction.
• Validation : Les modèles ont été évalués via une validation croisée stratifiée à 10 plis sur des ensembles de tests indépendants. La performance a été évaluée via l'AUC-ROC, l'exactitude (accuracy), la précision, le rappel, le score F1 et le coefficient de corrélation de Matthews (MCC). La robustesse a été vérifiée par une validation croisée répétée et des analyses de sensibilité concernant les seuils de classification.

Résultats clés

• Performance des modèles : Les modèles d'apprentissage d'ensemble ont significativement surpassé le modèle linéaire de référence. Le Gradient Boosting a atteint la performance discriminative la plus élevée (AUC = 0,837, Exactitude = 0,773), suivi de la Forêt aléatoire (AUC = 0,841, Exactitude = 0,744). La régression logistique a démontré une discrimination modérée (AUC = 0,757, Exactitude = 0,725).
• Constatations linéaires vs non linéaires : La régression logistique a identifié des associations directionnelles significatives pour des variables spécifiques, notamment le genre, l'expérience professionnelle (10–20 ans), la participation à la formation de sécurité et le type d'emploi. Cependant, les dimensions agrégées du climat de sécurité et les scores totaux n'ont montré aucune contribution prédictive significative dans le modèle linéaire.
• Structures et seuils non linéaires : Les modèles d'ensemble, interprétés via SHAP, ont révélé que le risque d'accident est concentré au sein de configurations perceptuelles spécifiques plutôt que distribué linéairement.
  • Réactivité de la direction : Les items liés à la réactivité de la direction (ex: r2_1, r2_4) étaient les prédicteurs les plus influents. Les graphiques de dépendance SHAP ont indiqué un comportement de type seuil, où la probabilité de risque changeait brutalement une fois certains niveaux de perception dépassés, plutôt que de changer graduellement.
  • Formation et expérience : La participation à la formation de sécurité a agi comme un « stabilisateur comportemental », resserrant la dispersion des configurations de risque plutôt que de réduire uniformément la probabilité. Les interactions entre la réactivité de la direction et l'expérience des travailleurs ont montré que les travailleurs expérimentés formaient des clusters comportementaux plus serrés, suggérant une adaptation médiée par l'expérience.
  • Asymétrie : L'analyse SHAP a révélé des contributions asymétriques, où des augmentations similaires des scores de perception ne se traduisaient pas par des réductions de risque équivalentes chez tous les travailleurs, soutenant l'existence de points de rupture comportementaux.

Contributions clés

1. Granularité au niveau de l'item : L'étude démontre la valeur de conserver les indicateurs de climat de sécurité au niveau de l'item. L'agrégation de ceux-ci en scores composites semble diluer les signaux critiques de l'item concernant l'interaction managériale et le calibrage de la confiance, occultant les mécanismes non linéaires qui pilotent le risque d'accident.
2. Analyses sensibles aux configurations : En intégrant l'apprentissage automatique d'ensemble avec l'XAI, la recherche identifie que le risque d'accident est un phénomène dépendant de la configuration. Elle met en évidence des combinaisons spécifiques de réactivité de la direction, d'engagement dans la formation et d'expérience des travailleurs qui créent des frontières comportementales à haut risque, que les modèles linéaires ne parviennent pas à saisir.
3. Interprétabilité dans la gestion de la sécurité : L'application des valeurs SHAP traduit les sorties prédictives complexes en informations comportementales interprétables. Cela permet l'identification de contributions prédictives asymétriques et de frontières d'interaction, passant de prédictions opaques de type « boîte noire » à une intelligence de sécurité exploitable.

Signification et affirmations
L'article affirme que ses conclusions remettent en question la suffisance des interprétations de la moyenne de la population du climat de sécurité dans la sécurité au travail. Il soutient que le risque d'accident n'est pas simplement une fonction de la « force » d'un climat de sécurité, mais qu'il est ancré dans des seuils comportementaux non linéaires et des structures d'interaction.

Les auteurs affirment que leur approche soutient un passage d'une surveillance rétrospective basée sur des moyennes vers des diagnostics comportementaux proactifs et sensibles aux seuils. En identifiant les frontières perceptuelles spécifiques où la probabilité d'accident change de manière disproportionnée, les organisations peuvent potentiellement détecter l'instabilité émergente des systèmes de sécurité avant que les incidents ne surviennent. L'étude conclut que, bien que la régression logistique reste utile pour identifier les associations directionnelles, l'apprentissage d'ensemble combiné à l'IA explicable est supérieur pour découvrir les mécanismes complexes et dépendants des configurations qui régissent le comportement de sécurité dans les environnements de travail socio-techniques.

Les auteurs maintiennent une position modeste, reconnaissant que les seuils identifiés sont tributaires de la distribution des données observées et qu'une validation externe à travers différentes industries et contextes culturels est nécessaire. Ils ne revendiquent pas la supériorité universelle de l'apprentissage automatique sur les méthodes statistiques, mais soulignent plutôt que l'avantage de performance dans ce contexte découle de la présence d'une complexité comportementale non linéaire dans les données.