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

기술 요약: 설명 가능한 머신러닝을 이용한 사회-기술적 작업 시스템 내 행동 위험 신호의 이해

문제 제기
전통적인 산업 안전 연구는 사고 위험을 집계된 안전 분위기(safety climate) 인식 점수의 선형 함수로 모델링하는 경우가 많다. 저자들은 이러한 접근 방식이 항목 수준(item level)에 내재된 행동적 이질성과 결정적인 상호작용 효과를 가릴 가능성이 있다고 주장한다. 사회-기술적 작업 시스템 내에서 사고는 단일한 기술적 실패에서 발생하는 것이 아니라, 조직 구조, 감독 관행, 그리고 인력 특성 간의 복잡한 상호작용으로부터 발생한다. 본 연구는 직업적 위험이 조직적 신호에 의해 형성되는 비선형적 행동 구성(nonlinear behavioural configurations)에서 발생할 수 있으며, 평균 기반 모델은 이를 탐지하지 못한다고 가정한다. 또한, 유사한 유해 노출을 가진 근로자들 사이에서도 사고 발생이 불균등하게 분포되어 있다는 지속적인 경험적 관찰은, 집계된 모델이 안전 신호가 행동으로 해석되고 번역되는 방식의 의미 있는 변이를 은폐할 수 있음을 시사한다.

연구 방법론
본 연구는 안전이 중요한 산업 환경의 근로자 207명을 대상으로 한 관찰 설계(observational design)를 채택하였다. 분석 단위는 개별 근로자였으며, 종속 변수는 지난 12개월 동안 업무 관련 사고 발생 여부를 나타내는 이진 지표(binary indicator)로 정의되었다.

• 데이터 수집: 구조화된 자기 기입식 설문지를 통해 행동 안전 지표, 안전 인식 및 인구통계학적 특성을 수집하였다. 결정적으로, 본 연구는 지각적 세밀함을 유지하고 집계 편향(aggregation bias)을 피하기 위해 예측 변수들을 합성 차원 점수로 집계하는 대신 **개별 항목 수준(individual item level)**으로 유지하였다.
• 모델링 전략: 연구는 다음과 같은 비교 분석 프레임워크를 구현하였다:
  1. 로지스틱 회귀(Logistic Regression): 방향성 연관성과 오즈비(odds ratios)를 추정하기 위한 기초 선형 모델로 사용되었다.
  2. 앙상블 머신러닝(Ensemble Machine Learning): 비선형 패턴과 고차 상호작용을 포착하기 위해 랜덤 포레스트(Random Forest)와 그래디언트 부스팅(Gradient Boosting) 분류기를 채택하였다. 하이퍼파라미터는 교차 검증된 그리드 서치(cross-validated grid search)를 통해 최적화되었다.
  3. 설명 가능한 AI (XAI): 앙상블 모델의 예측을 분해하고 각 특성의 한계 기여도를 정량화하기 위해 SHAP(SHapley Additive exPlanations) 값, 특히 TreeSHAP 알고리즘을 적용하였다. 이를 통해 전역적 특성 순위 산정과 상호작용 구조의 국소적 해석이 모두 가능해졌다.
• 검증: 독립된 테스트 세트에 대해 층화 10-겹 교차 검증(stratified 10-fold cross-validation)을 사용하여 모델을 평가하였다. 성능은 ROC-AUC, 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score 및 매튜스 상관 계수(MCC)를 통해 평가되었다. 강건성(robustness)은 반복적인 교차 검증과 분류 임계값에 대한 민감도 분석을 통해 검증되었다.

주요 결과

• 모델 성능: 앙상블 학습 모델이 선형 베이스라인 모델을 유의미하게 능가하였다. 그래디언트 부스팅이 가장 높은 변별 성능(AUC = 0.837, 정확도 = 0.773)을 달성하였고, 그 다음으로 랜덤 포레스트(AUC = 0.841, 정확도 = 0.744)가 뒤를 이었다. 로지스틱 회귀는 중간 정도의 변별력(AUC = 0.757, 정확도 = 0.725)을 보였다.
• 선형 vs 비선형 결과: 로지스틱 회귀는 성별, 경력(10~20년), 안전 교육 참여, 고용 형태를 포함한 특정 변수들에 대해 유의미한 방향성 연관성을 식별하였다. 그러나 집계된 안전 분위기 차원 및 총점은 선형 모델에서 유의미한 예측 기여도를 보이지 않았다.
• 비선형 구조 및 임계값: SHAP를 통해 해석된 앙상le 모델은 사고 위험이 선형적으로 분포하기보다는 특정 지각적 구성 내에 집중되어 있음을 드러냈다.
  • 경영진의 대응성: 경영진의 대응성과 관련된 항목들(예: r2_1, r2_4)이 가장 영향력 있는 예측 변수였다. SHAP 의존성 플롯(dependence plots)은 위험 확률이 점진적으로 변화하는 것이 아니라, 특정 지각 수준을 초과할 때 급격히 변화하는 **임계값 형태의 행동(threshold-like behavior)**을 보임을 나타냈다.
  • 교육 및 경험: 안전 교육 참여는 위험 구성을 균일하게 감소시키기보다 위험 구성의 분산을 좁히는 "행동 안정제(behavioural stabilizer)" 역할을 하였다. 경영진의 대응성과 근로자 경험 간의 상호작용은 숙련된 근로자들이 더 조밀한 행동 클러스터를 형성함을 보여주었으며, 이는 경험에 의한 적응(experience-mediated adaptation)을 시사한다.
  • 비대칭성: SHAP 분석은 비대칭적 기여를 드러냈는데, 이는 지각 점수의 증가가 모든 근로자에게 동일한 위험 감소로 이어지지 않음을 의미하며, 행동적 티핑 포인트(behavioural tipping points)의 존재를 뒷받침한다.

주요 기여

1. 항목 수준의 세밀함: 본 연구는 안전 분위기 지표를 항목 수준에서 유지하는 것의 가치를 입증한다. 이를 합성 점수로 집계하는 것은 경영진과의 상호작용 및 신뢰 보정(trust calibration)에 관한 결정적인 항목 수준의 신호를 희석하여, 사고 위험을 구동하는 비선형 메커니즘을 가릴 수 있다.
2. 구성 민감적 분석(Configuration-Sensitive Analytics): 앙상블 학습과 XAI를 통합함으로써, 본 연구는 사고 위험이 구성 의존적(configuration-dependent) 현상임을 식별하였다. 이는 경영진의 대응성, 교육 참여, 근로자 경험의 특정 조합이 선형 모델로는 포착할 수 없는 고위험 행동 경계를 생성한다는 점을 강조한다.
3. 안전 관리를 위한 해석 가능성: SHAP 값의 적용은 복잡한 예측 출력을 해석 가능한 행동 통찰력으로 변환한다. 이를 통해 비대칭적 예측 변수 기여와 상호작용 경계를 식별할 수 있으며, 불투명한 "블랙박스" 예측을 넘어 실행 가능한 안전 지능(safety intelligence)으로 나아갈 수 있게 한다.

의의 및 주장
본 논문은 그 결과가 직업 안전 분야에서 인구 평균 기반의 안전 분위기 해석의 충분성에 도전한다는 점을 주장한다. 저자들은 사고 위험이 단순히 안전 분위기의 "강도"에 의한 함수가 아니라, 비선형적 행동 임계값과 상호작용 구조 내에 내재되어 있다고 주장한다.

저자들은 본 연구의 접근 방식이 사후적인 평균 기반 모니터링에서 선제적이고 임계값에 민감한 행동 진단으로의 전환을 지원한다고 단언한다. 사고 확률이 불균형하게 변화하는 특정 지각적 경계를 식별함으로써, 조직은 사고가 발생하기 전에 안전 시스템의 잠재적 불안정성을 감지할 수 있다. 본 연구는 로지스틱 회귀가 방향성 연관성을 식별하는 데 여전히 유용하지만, 사회-기술적 작업 환경에서 안전 행동을 지배하는 복잡하고 구성 의존적인 메커니즘을 밝혀내는 데는 설명 가능한 AI를 결합한 앙상블 학습이 더 우수하다고 결론짓는다.

저자들은 식별된 임계값이 관찰된 데이터 분포에 따라 달라질 수 있음을 인정하며, 다양한 산업 및 문화적 맥락에서의 외부 검증이 필요하다는 점을 명시하며 신중한 태도를 유지한다. 이들은 통계적 방법론에 대한 머신러닝의 보편적 우월성을 주장하는 것이 아니라, 이 맥락에서 머신러닝의 성능 우위가 데이터 내의 비선형적 행동 복잡성으로부터 발생한다는 점을 강조한다.