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

Resumo Técnico: Um Framework de Classificação Baseado em Ontologia para Extração de Situações de Registros de Rádio de Concretagem

Definição do Problema
A concretagem envolve operações simultâneas e complexas (ex: entrega da bomba, verificações de fôrmas, movimentação de trabalhadores), onde a segurança depende fortemente da comunicação via rádio em tempo real. No entanto, as falas de rádio em canteiros de obras são distintas de documentos padrão; são curtas, elípticas e frequentemente omitem interlocutores, locais ou objetos. Elas também costumam conter gírias específicas do canteiro, expressões derivadas do japonês, gritos e palavrões, além de comandos urgentes. Consequentemente, a simples detecção de palavras-chave é insuficiente para identificar condições de equipamentos, estados de estruturas temporárias, sinais de perigo ou ações de controle. O desafio central é normalizar essas falas não estruturadas e específicas do campo em conceitos padronizados e derivar situações críticas de segurança (perigos, controles, estados) com base nas relações semânticas entre os elementos, em vez de palavras isoladas.

Metodologia
O estudo propõe um framework de duas camadas baseado em ontologia, projetado para processar registros de rádio por meio de normalização, etiquetagem semântica e julgamento baseado em relações.

1. Normalização de Expressões de Campo: Antes do mapeamento ontológico, as falas brutas são normalizadas. Gírias de canteiro (ex: "wakku" para fôrma, "noro" para pasta de cimento) e expressões não padronizadas são convertidas em terminologia de construção padronizada. Esta etapa também segmenta as falas em unidades de objeto, fenômeno, ato e discurso/emoção, preservando palavrões e urgência como marcadores de atitude, em vez de deletá-los.
2. Estrutura de Ontologia de Duas Camadas:
   • Camada 1 (Etiquetas Semânticas Detalhadas): As expressões normalizadas são mapeadas para sete eixos semânticos: Trabalho, Ato, Objeto, Alvo, Fenômeno, Interjeição/Discurso e Palavrão/Emoção. Cada eixo possui códigos específicos (ex: Objeto inclui equipamentos, estruturas temporárias, materiais; Fenômeno inclui aumento de pressão, dobras, vazamentos).
   • Camada 2 (Derivação de Situação): Sinais de perigo, ações de controle e estados de situação não são atribuídos a palavras únicas, mas derivados de padrões de relação entre as etiquetas da Camada 1. As relações principais incluem o vínculo objeto-fenômeno (ex: Fôrma + Falha Iminente = Risco de Falha de Fôrma), o vínculo ato-alvo (ex: Comando + Trabalhador + Verbo de Evacuação = Liberação de Trabalhador) e regras de transição de estado (ex: Sinal de Perigo + Confirmação = Estado Resolvido).
3. Estratégia de Avaliação: Devido à dificuldade de coletar e divulgar dados reais de rádio (que podem conter conteúdo sensível ou inapropriado), o estudo utiliza um registro de rádio virtual de um dia construído pelo pesquisador, contendo 25 falas. Uma tabela de mapeamento de ontologia de referência foi criada para este registro. O desempenho do framework foi avaliado comparando os resultados da extração baseada em regras contra esta tabela de referência. Adicionalmente, um Grande Modelo de Linguagem (LLM, qwen2.5:7b) local foi testado como uma linha de base para o mapeamento detalhado de etiquetas, a fim de avaliar sua capacidade de lidar com expressões de campo em comparação ao método baseado em regras.

Principais Contribuições

• Framework Semântico Estruturado: O estudo define um esquema de etiquetagem detalhado que separa gírias de canteiro, interjeições e palavrões em eixos semânticos específicos, em vez de tratá-los como ruído ou simples palavras-chave de perigo.
• Julgamento Baseado em Relações: Muda o paradigma da correspondência de palavras-chave para a inferência baseada em relações. Sinais de perigo e ações de controle são derivados apenas quando relações semânticas específicas (ex: vínculo objeto-fenômeno) são confirmadas, evitando falsos positivos de palavras isoladas.
• Mecanismo de Avaliação e Retenção para Revisão (Review-Hold): O artigo introduz um framework de avaliação rigoroso usando uma tabela de mapeamento de referência. Crucialmente, define critérios de "retenção para revisão" para falas que não podem ser confirmadas automaticamente (ex: alvos ausentes ou gírias ambíguas), distinguindo entre itens determináveis automaticamente e aqueles que requerem revisão humana.
• Definição do Papel do LLM: O estudo posiciona os LLMs não como decisores finais para o monitoramento de segurança, mas como ferramentas para o mapeamento preliminar de etiquetas, destacando suas limitações atuais na estabilidade da separação de eixos e seleção de códigos em comparação com sistemas baseados em regras.

Resultos
Utilizando o registro virtual de 25 falas, o sistema de extração baseado em regras alcançou as seguintes taxas de concordância contra a tabela de referência:

• Etiquetas Detalhadas: 95,9% de concordância (3,4% de retenção para revisão).
• Relações: 86,4% de concordância (9,1% de retenção para revisão).
• Sinais de Perigo: 90,0% de concordância (10,0% de retenção para revisão).
• Ações de Controle: 97,0% de concordância (3,0% de retenção para revisão).
• Estados de Situação: 100,0% de concordância (0,0% de retenção para revisão).
• Julgamento de Não-Perigo: 100,0% de precisão na identificação de falas de trabalho normais como não perigosas.

Em contraste, o mapeamento baseado em LLM alcançou apenas 34,5% de concordância nas etiquetas detalhadas e gerou 49 itens excedentes não presentes na tabela de referência. O LLM teve dificuldades em separar os eixos (ex: confundindo alvos de inspeção com fenômenos reais) e em selecionar os códigos corretos para expressões de campo.

Significância e Alegações
O artigo alega que sua principal contribuição é fornecer um esquema de etiquetagem detalhado, regras de julgamento baseadas em relações e um framework de análise de erro adequado para validação futura com dados reais ou simulados. O texto afirma explicitamente que não verifica o desempenho operacional de um sistema de monitoramento automático usando dados reais de campo. Em vez disso, o estudo demonstra que:

1. As falas de rádio podem ser tratadas como unidades estruturadas para julgamento de monitoramento, em vez de simples texto para detecção de palavras-chave.
2. Uma ontologia de duas camadas pode derivar com sucesso situações de segurança complexas (perigos, controles, estados) a partir das relações entre elementos semânticos.
3. Um mecanismo de "retenção para revisão" é essencial para evitar erros como a classificação excessiva de falas normais como perigos ou a interpretação errônea de pedidos de confirmação como incidentes reais.
4. Embora os LLMs possam capturar significados aproximados de expressões de campo, eles atualmente carecem da estabilidade necessária para a separação precisa de eixos e seleção de códigos exigidas para a tomada de decisões críticas de segurança sem supervisão humana ou verificação baseada em regras.

O estudo conclui que o framework proposto estrutura efetivamente o procedimento de processamento pretendido para o registro virtual, mas a existência de itens de retenção para revisão destaca a necessidade de maior refinamento dos dicionários de terminologia, regras de anáfora e regras de decomposição de múltiplos atos antes da implementação em ambientes reais de campo.