Using structural topic modeling to identify latent topics and trends in aviation incident reports

گزارش سیستم ایمنی حمل و نقل شامل بیش از یک میلیون گزارش محرمانه در مورد حوادث ایمنی حمل و نقل است. تکنیک های پردازش زبان طبیعی اجازه می دهد برای تجزیه و تحلیل نسبتا سریع و به طور گسترده ای از مجموعه های زیادی از داده های متن. تفسیر نتایج و تحقیقات بیشتر توسط کارشناسان موضوع می تواند نتایج معنی داری کسب کند. این توضیح می دهد که بسیاری از برنامه های کاربردی تجاری و علمی پردازش زبان طبیعی برای گزارش ایمنی حمل و نقل. با این حال، تعداد کمی از مقالات منتشر شده، مدلسازی موضوعی را مورد استفاده قرار دادند، رویکردی که بتواند ساختار پنهان درون یک جزء اسناد را شناسایی کند. مدل سازی موضوع انعطاف پذیر تر است و کمتر بر متخصصان موضوع تاکید می کند تا طبقه بندی سند جایگزین و روش های خوشه بندی. برای مثال می توان از هر موضوعی که در مجموعه ای از گزارش های حادثه پنهان شده است، که در صورت استفاده از برچسب ها و روش های استفاده شده در پژوهش های قبلی، یا در معرض آن دسته بندی قرار گرفته است، کشف شود. این مقاله کاربرد مدلسازی ساختار موضوعی را برای داده های سیستم ایمنی حمل و نقل هوایی توصیف می کند. این برنامه مسائل شناخته شده را شناسایی می کند. این روش همچنین اتصالات قبلا گزارش نشده را نشان می دهد. نتایج نمونه در اینجا نشان دهنده پمپ سوخت، مخزن، و مسائل مربوط به دنده فرود و نسبت نسبی مسائل دود و آتش برای هواپیماهای خصوصی است. نتایج همچنین نشان می دهد که برجسته مسیر بصری و نکته انگشت پا بصری مسیر بصری در فرودگاه بین المللی سان فرانسیسکو در گزارش حوادث ایمنی نشان می دهد. پیش از استفاده از آنها برای تعیین اولویت ها هنگام برنامه ریزی مطالعات ایمنی آینده، این نتایج، در بهترین حالت، توسط کارشناسان موضوع مورد تایید قرار می گیرند.