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

大規模で騒々しい工場で、なぜ一部の作業員は怪我をし、他の人はしないのか、その理由を突き止めようとしている場面を想像してみてください。長い間、安全の専門家たちは「平均値」というゲームに明け暮れてきました。彼らは皆に、「上司をどのくらい好きですか？」「どのくらい安全だと感じていますか？」と尋ね、それらの回答をすべて一つにまとめ上げ、「安全気候スコア」と呼ばれる、ぼやけた一つの大きな数字にしていました。それは、ピザの耳の部分から一切れだけを味わって、「ああ、これはチーズたっぷりのピザだ！」と言ってしまうようなものです。

しかし、この新しい研究は、それが一種のトリックであることを示唆しています。オミド・アクバルザデ氏率いる研究チームは、そのぼやけた平均値を見るのをやめ、個々の「トッピング」にズームインすることに決めました。彼らは、管理、トレーニング、そして自分自身の経験に対する感情がどのように組み合わさって、危険を生む特定の「レシピ」を作り上げているのか、平均値によって隠されてしまっているものを見極めようとしたのです。

旧来の方法 vs 新しい方法
まず、チームは昔ながらの手法である「ロジスティック回帰」という単純な数学モデルを試しました。これは、定規のようなものです。安全だと感じることが、一般的に怪我を減らすことにつながるかどうかを測定します。彼らは、もし安全だと感じていれば、怪我をする可能性は低くなるということを発見しました。しかし、その定規はあまりにも単純すぎました。現実世界の複雑で曲がりくねった部分を見落としていたのです。

次に、彼らは「アンサンブル機械学習」と呼ばれる超スマートなコンピューターの脳に切り替えました。もし定規が直線であるなら、このコンピューターの脳は、丘や谷、そして隠れた洞窟まで見える3Dマップです。彼らはコンピューターに全く同じデータを入力しましたが、同時にこう指示しました。「単に直線を探すのではなく、奇妙なパターンや秘密のつながりを探しなさい」と。

大きな発見：それは滑らかなスライドではない
ここからが面白いところです。コンピューターの脳は、安全とは「少しの安全が増えれば、少しの危険が減る」という滑らかなスライドではないことを見つけ出しました。代わりに、それは**「ティッピング・ポイント（転換点）」**を見つけたのです。

照明のスイッチを想像してみてください。スイッチをほんの少し押し上げても、何も起きません。明かりは消えたままです。しかし、もう少しだけ押し進めると、「カチッ」と音がして、明かりが眩しく灯ります。研究は、安全もこれと同じように機能することを示唆しています。

研究者たちは、「マネジメントの応答性」（上司がいかに素早く、適切に労働者の声を聞いているか）が、そのスイッチとして機能することを発見しました。もし作業員が「上司の対応はまあまあだ」と感じていても、まだ安全かもしれません。しかし、その感覚がある目に見えないラインを下回ると、事故のリスクは劇的に急上昇します。それは緩やかな坂道ではなく、崖なのです。

魔法の材料
この研究は、ある産業現場の207人の作業員を対象としました。彼らは単に「上司は良いですか？」と聞いたのではありません。「上司は問題を迅速に解決してくれますか？」や「トレーニングを受けましたか？」といった具体的な質問を投げかけました。

彼らは、事故のリスクが単に「悪い」上司や「トレーニングがない」ことによるものではないことを発見しました。それは、いくつかの要素の特定の組み合わせによるものでした。

• 経験の要因： 新人層（経験10〜20年）は、マネジメントが耳を傾けていないと感じている場合、より「危険地帯」に入りやすい傾向がありました。一方で、より経験豊富な年配の作業員は、たとえ状況が完璧でなくても、より優れた盾を持っているようでした。
• トレーニングの罠： トレーニングを受けていることは、単にリスクのラインを下げるだけでなく、安定剤として機能していました。トレーニングを受けた作業員は、回答が狭い範囲に集まっており、危険へと激しく揺れ動くことが少なかったのです。それは全員を完璧にするわけではありませんが、混乱を食い止める役割を果たしていました。
• パラドックス： 興味深いことに、「この仕事は本当に危険だ！」と言っていた作業員たちが、実際に事故を多く起こしていました。これは逆転しているように聞こえますよね？ しかし、論文によれば、これは彼らが不注意だったからではありません。彼らが最も危険な場所にいたことの現れなのです。彼らの高い意識は、安全である証拠ではなく、高リスクゾーンにいるというサインでした。

この論文が言っていないこと
論文は、自身が何を言っていないかについても非常に明確です。それは、「安全気候（セーフティ・クライメイト）」が重要ではないと言っているのではありません。**「平均化」**することが悪いアイデアだと言っているのです。あるグループの中に、怯えている作業員と自信に満満な作業員が混在している場合、それらを平均してしまうと、グループに潜む具体的な危険を何も伝えない「中程度」のスコアになってしまいます。論文は、この「ぼやけた平均値」が真の危険信号を隠してしまうのだと主張しています。

どれほどの確信があるのか？
チームは単に推測したわけではありません。彼らは、コンピューターの脳にとっての「拡大鏡」のような特別なツールであるSHAPを使用して、どの質問が最も重要であるかを正確に特定しました。彼らは、見出したパターンが単なる偶然ではないことを確認するために、コンピューターモデルを何度もテストしました。

結果は、コンピューターモデル（ランダムフォレストと勾配ブースティング）が、従来の定規による手法よりも、誰がリスクにさらされているかを特定する上で優れていたことを示しました。従来のメソッドは約72.5%の予測精度でしたが、新しいコンピューターの脳は約77.3%の精度を叩き出しました。これは大きな飛躍には見えないかもしれませんが、事故を予測する世界においては、定規が見逃していた隠れた「崖」をコンピューターが見つけ出したことを意味するため、非常に大きな意味を持ちます。

テイクアウェイ（教訓）
さて、好奇心旺盛なティーンエイジャーへの教訓は何でしょうか？ 安全とは、単に調査における「良いスコア」を持つことではありません。それは、上司に対するあなたの感じ方、どれだけのトレーニングを受けたか、そしてどれくらいの期間働いているかという、具体的なミックス（組み合わせ）なのです。

もしあなたがボスなら、単に「安全スコア」をほんの少し押し上げることを目指してはいけません。物事が悪化し始める目に見えないラインを下回らないようにしなければなりません。そして、もしあなたが作業員なら、経験とトレーニングは盾となりますが、それは上司が実際に耳を傾けている場合に限られます。

この研究は、大きな、ぼやけた平均値を見るのではなく、これらの小さく具体的な信号に注目することで、ようやく事故が起こる前に危険を察知できるようになるかもしれない、と示唆しています。それは、霧がかかった地図を見ることから、隠れた崖や安全な道を含む実際の地形を見ることに切り替えるようなものなのです。