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

Resumo Técnico: Compreendendo Sinais de Risco Comportamental em Sistemas de Trabalho Sociotécnicos Usando Aprendizado de Máquina Explicável

Definição do Problema
A pesquisa convencional sobre segurança ocupacional frequentemente modela o risco de acidentes como uma função linear de pontuações agregadas de percepção de clima de segurança. Os autores argumentam que essa abordagem pode obscurecer a heterogeneidade comportamental e os efeitos de interação críticos no nível dos itens. Dentro de sistemas de trabalho sociotécnicos, acidentes raramente resultam de falhas técnicas isoladas, mas emergem de interações complexas entre estruturas organizacionais, práticas de supervisão e características da força de trabalho. O estudo postula que o risco ocupacional pode surgir de configurações comportamentais não lineares moldadas por sinais organizacionais, que modelos baseados em médias falham em detectar. Além disso, uma observação empírica persistente sugere que a ocorrência de acidentes é distribuída de forma desigual mesmo entre trabalhadores com exposições a riscos semelhantes, indicando que modelos agregados podem mascarar variações significativas na forma como os sinais de segurança são interpretados e traduzidos em comportamento.

Metodologia
O estudo empregou um desenho observacional utilizando dados de 207 trabalhadores em um ambiente industrial de segurança crítica. A unidade analítica foi o trabalhador individual, com a variável de desfecho definida como um indicador binário de se ocorreu um acidente relacionado ao trabalho nos últimos 12 meses.

• Coleta de Dados: Um questionário estruturado de autoaplicação capturou indicadores de segurança comportamental, percepções de segurança e dados demográficos. Crucialmente, o estudo manteve os preditores no nível de item individual em vez de agregá-los em escores de dimensões compostas, para preservar a granularidade perceptual e evitar o viés de agregação.
• Estratégia de Modelagem: A pesquisa implementou um framework analítico comparativo:
  1. Regressão Logística: Utilizada como um modelo linear de base para estimar associações direcionais e razões de chances (odds ratios).
  2. Aprendizado de Máquina de Conjunto (Ensemble Learning): Classificadores de Random Forest e Gradient Boosting foram empregados para capturar padrões não lineares e interações de ordem superior. Os hiperparâmetros foram otimizados via busca em grade (grid search) com validação cruzada.
  3. IA Explicável (XAI): Valores SHAP (SHapley Additive exPlanations), especificamente o algoritmo TreeSHAP, foram aplicados aos modelos de conjunto para decompor as previsões e quantificar a contribuição marginal de cada característica. Isso permitiu tanto o ranking global de características quanto a interpretação local das estruturas de interação.
• Validação: Os modelos foram avaliados via validação cruzada de 10 dobras estratificada em conjuntos de teste independentes. O desempenho foi avaliado via ROC-AUC, acurácia, precisão, recall, F1-score e Coeficiente de Correlação de Matthews (MCC). A robustez foi verificada através de validação cruzada repetida e análises de sensibilidade em relação aos limiares de classificação.

Principais Resultados

• Desempenho do Modelo: Os modelos de aprendizado de conjunto superaram significativamente o modelo linear de base. O Gradient Boosting alcançou o maior desempenho discriminativo (AUC = 0,837, Acurácia = 0,773), seguido pelo Random Forest (AUC = 0,841, Acurácia = 0,744). A regressão logística demonstrou discriminação moderada (AUC = 0,757, Acurácia = 0,725).
• Achados Lineares vs. Não Lineares: A regressão logística identificou associações direcionais significativas para variáveis específicas, incluindo gênero, experiência de trabalho (10–20 anos), participação em treinamento de segurança e tipo de emprego. No entanto, as dimensões agregadas do clima de segurança e os escores totais não mostraram contribuição preditiva significativa no modelo linear.
• Estruturas e Limiares Não Lineares: Os modelos de conjunto, interpretados via SHAP, revelaram que o risco de acidentes está concentrado em configurações perceptuais específicas, em vez de ser distribuído linearmente.
  • Responsividade Gerencial: Itens relacionados à responsividade da gestão (ex: r2_1, r2_4) foram os preditores mais influentes. Gráficos de dependência SHAP indicaram comportamento do tipo limiar, onde a probabilidade de risco mudou abruptamente uma vez que níveis específicos de percepção foram excedidos, em vez de mudar gradualmente.
  • Treinamento e Experiência: A participação em treinamento de segurança atuou como um "estabilizador comportamental", estreitando a dispersão das configurações de risco em vez de reduzir uniformemente a probabilidade. Interações entre responsividade gerencial e experiência do trabalhador mostraram que trabalhadores experientes formavam agrupamentos comportamentais mais coesos, sugerindo uma adaptação mediada pela experiência.
  • Assimetria: A análise SHAP revelou contribuições assimétricas, onde aumentos semelhantes nos escores de percepção não se traduziram em reduções equivalentes de risco para todos os trabalhadores, apoiando a existência de pontos de ruptura (tipping points) comportamentais.

Principais Contribuições

1. Granularidade ao Nível do Item: O estudo demonstra o valor de manter os indicadores de clima de segurança no nível do item. Agregar esses dados em escores compostos parece diluir sinais críticos do nível do item relativos à interação gerencial e calibração de confiança, obscurecendo os mecanismos não lineares que impulsionam o risco de acidentes.
2. Análise Sensível a Configurações: Ao integrar o aprendizado de conjunto com XAI, a pesquisa identifica que o risco de acidentes é um fenômeno dependente de configuração. Ela destaca combinações específicas de responsividade gerencial, engajamento em treinamento e experiência do trabalhador que criam fronteiras comportamentais de alto risco, as quais os modelos lineares não conseguem capturar.
3. Interpretabilidade na Gestão de Segurança: A aplicação de valores SHAP traduz saídas preditivas complexas em insights comportamentais interpretáveis. Isso permite a identificação de contribuições assimétricas de preditores e fronteiras de interação, indo além de previsões opacas de "caixa preta" para uma inteligência de segurança acionável.

Significância e Alegações
O artigo alega que seus achados desafiam a suficiência das interpretações de clima de segurança baseadas em médias populacionais na segurança ocupacional. Argumenta que o risco de acidentes não é meramente uma função da "força" de um clima de segurança, mas está inserido em limiares comportamentais não lineares e estruturas de interação.

Os autores afirmam que sua abordagem apoia uma mudança do monitoramento retrospectivo baseado em médias para diagnósticos comportamentais proativos e sensíveis a limiares. Ao identificar fronteiras perceptuais específicas onde a probabilidade de acidente muda desproporcionalmente, as organizações podem potencialmente detectar instabilidades emergentes nos sistemas de segurança antes que ocorram incidentes. O estudo conclui que, embora a regressão logística permaneça útil para identificar associações direcionais, o aprendizado de conjunto combinado com IA explicável é superior para descobrir os mecanismos complexos e dependentes de configuração que regem o comportamento de segurança em ambientes de trabalho sociotécnicos.

Os autores mantêm uma postura modesta, reconhecendo que os limiares identificados são contingentes à distribuição dos dados observados e que a validação externa em diferentes indústrias e contextos culturais é necessária. Eles não alegam superioridade universal do aprendizado de máquina sobre métodos estatísticos, mas sim destacam que a vantagem de desempenho neste contexto decorre da presença de complexidade comportamental não linear nos dados.