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

Sintesi Tecnica: Comprendere i Segnali di Rischio Comportamentale nei Sistemi di Lavoro Socio-Tecnici Utilizzando l'Apprendimento Automatico Spiegabile

Definizione del Problema
La ricerca convenzionale sulla sicurezza sul lavoro spesso modella il rischio di incidenti come una funzione lineare di punteggi aggregati della percezione del clima di sicurezza. Gli autori sostengono che questo approccio possa potenzialmente oscurare l'eterogeneità comportamentale e gli effetti di interazione critici presenti a livello di singolo item. All'interno dei sistemi di lavoro socio-tecnici, gli incidenti raramente derivano da singoli guasti tecnici, ma emergono da complesse interazioni tra strutture organizzative, pratiche di supervisione e caratteristiche della forza lavoro. Lo studio postula che il rischio occupazionale possa derivare da configurazioni comportamentali non lineari modellate da segnali organizzativi, che i modelli basati sulle medie non riescono a rilevare. Inoltre, un'osservazione empirica persistente suggerisce che l'accadimento di incidenti sia distribuito in modo non uniforme anche tra lavoratori con esposizioni ai pericoli simili, indicando che i modelli aggregati possono mascherare variazioni significative nel modo in cui i segnali di sicurezza vengono interpretati e tradotti in comportamento.

Metodologia
Lo studio ha impiegato un disegno osservazionale utilizzando dati provenienti da 207 lavoratori in un ambiente industriale a criticità per la sicurezza. L'unità analitica era il singolo lavoratore, con la variabile di esito definita come un indicatore binario del verificarsi di un infortunio sul lavoro nei precedenti 12 mesi.

• Raccolta Dati: Un questionario strutturato auto-somministrato ha catturato indicatori di sicurezza comportamentale, percezioni di sicurezza e dati demografici. Fondamentalmente, lo studio ha mantenuto i predittori al livello del singolo item piuttosto che aggregarli in punteggi dimensionali composti, al fine di preservare la granularità percettiva ed evitare il bias di aggregazione.
• Strategia di Modellazione: La ricerca ha implementato un framework analitico comparativo:
  1. Regressione Logistica: Utilizzata come modello lineare di base per stimare le associazioni direzionali e gli odds ratio.
  2. Ensemble Machine Learning: Classificatori Random Forest e Gradient Boosting sono stati impiegati per catturare pattern non lineari e interazioni di ordine superiore. Gli iperparametri sono stati ottimizzati tramite ricerca a griglia con validazione incrociata.
  3. Intelligenza Artificiale Spiegabile (XAI): I valori SHAP (SHapley Additive exPlanations), specificamente l'algoritmo TreeSHAP, sono stati applicati ai modelli ensemble per decomporre le predizioni e quantificare il contributo marginale di ogni caratteristica. Ciò ha permesso sia la classificazione globale delle feature sia l'interpretazione locale delle strutture di interazione.
• Validazione: I modelli sono stati valutati tramite validazione incrociata stratificata a 10 pieghe (10-fold cross-validation) su set di test indipendenti. Le prestazioni sono state valutate tramite l'area sotto la curva ROC (ROC-AUC), accuratezza, precisione, richiamo (recall), F1-score e coefficiente di Matthews (MCC). La robustezza è stata verificata attraverso validazioni incrociate ripetute e analisi di sensibilità riguardo alle soglie di classificazione.

Risultati Chiave

• Prestazioni del Modello: I modelli di apprendimento ensemble hanno superato significativamente il baseline lineare. Il Gradient Boosting ha raggiunto la più alta performance discriminativa (AUC = 0,837, Accuratezza = 0,773), seguito dal Random Forest (AUC = 0,841, Accuratezza = 0,744). La regressione logistica ha dimostrato una discriminazione moderata (AUC = 0,757, Accuratezza = 0,725).
• Risultanze Lineari vs. Non Lineari: La regressione logistica ha identificato associazioni direzionali significative per variabili specifiche, tra cui genere, esperienza lavorativa (10–20 anni), partecipazione alla formazione sulla sicurezza e tipo di impiego. Tuttavia, le dimensioni aggregate del clima di sicurezza e i punteggi totali non hanno mostrato alcun contributo predittivo significativo nel modello lineare.
• Strutture Non Lineari e Soglie: I modelli ensemble, interpretati tramite SHAP, hanno rivelato che il rischio di incidenti è concentrato entro specifiche configurazioni percettive piuttosto che essere distribuito linearmente.
  • Reattività del Management: Gli item relativi alla reattività del management (es. r2_1, r2_4) sono stati i predittori più influenti. I grafici di dipendenza SHAP hanno indicato un comportamento di tipo soglia (threshold-like), in cui la probabilità di rischio subiva uno spostamento brusco una volta superati determinati livelli di percezione, anziché cambiare gradualmente.
  • Formazione ed Esperienza: La partecipazione alla formazione sulla sicurezza ha agito come un "stabilizzatore comportamentale", restringendo la dispersione delle configurazioni di rischio piuttosto che ridurre uniformemente la probabilità. Le interazioni tra reattività del management ed esperienza del lavoratore hanno mostrato che i lavoratori esperti formavano cluster comportamentali più compatti, suggerendo un adattamento mediato dall'esperienza.
  • Asimmetria: L'analisi SHAP ha rivelato contributi asimmetrici, dove aumenti simili nei punteggi di percezione non si sono tradotti in riduzioni del rischio equivalenti per tutti i lavoratori, supportando l'esistenza di punti di svolta (tipping points) comportamentali.

Contributi Chiave

1. Granularità a Livello di Item: Lo studio dimostra il valore di mantenere gli indicatori del clima di sicurezza al livello del singolo item. L'aggregazione di questi in punteggi composti sembra diluire segnali critici a livello di item riguardanti l'interazione manageriale e la calibrazione della fiducia, oscurando i meccanismi non lineari che guidano il rischio di incidenti.
2. Analisi Sensibile alle Configurazioni: Integrando l'apprendimento ensemble con l'XAI, la ricerca identifica che il rischio di incidenti è un fenomeno dipendente dalla configurazione. Evidenzia come combinazioni specifiche di reattività del management, impegno nella formazione e esperienza del lavoratore creino confini comportamentali ad alto rischio, che i modelli lineari non riescono a catturare.
3. Interpretabilità nella Gestione della Sicurezza: L'applicazione dei valori SHAP traduce output predittivi complessi in insight comportamentali interpretabili. Ciò consente l'identificazione di contributi predittivi asimmetrici e confini di interazione, passando da predizioni "black box" opache a un'intelligenza sulla sicurezza azionabile.

Significato e Rivendicazioni
L'articolo sostiene che i suoi risultati sfidano la sufficienza delle interpretazioni del clima di sicurezza basate sulle medie della popolazione nella sicurezza sul lavoro. Argomenta che il rischio di incidenti non è semplicemente una funzione della "forza" di un clima di sicurezza, ma è embedded all'interno di soglie comportamentali non lineari e strutture di interazione.

Gli autori affermano che il loro approccio supporta un passaggio dal monitoraggio retrospettivo basato sulle medie verso una diagnostica comportamentale proattiva e sensibile alle soglie. Identificando i confini percettivi specifici in cui la probabilità di incidenti cambia in modo sproporzionato, le organizzazioni possono potenzialmente rilevare l'instabilità emergente nei sistemi di sicurezza prima che si verifichino gli eventi. Lo studio conclude che, sebbene la regressione logistica rimanga utile per identificare associazioni direzionali, l'apprendimento ensemble combinato con l'intelligenza artificiale spiegabile è superiore per scoprire i meccanismi complessi e dipendenti dalle configurazioni che governano il comportamento relativo alla sicurezza negli ambienti di lavoro socio-tecnici.

Gli autori mantengono una posizione modesta, riconoscendo che le soglie identificate sono contingenti alla distribuzione dei dati osservati e che è necessaria una validazione esterna in diversi settori e contesti culturali. Non rivendicano una superiorità universale dell'apprendimento automatico rispetto ai metodi statistici, ma sottolineano piuttosto che il vantaggio prestazionale in questo contesto deriva dalla presenza di una complessità comportamentale non lineare nei dati.