RAMAK KALA (NEAR-MISS) OLAYLARININ SÜREÇ MADENCİLİĞİ VE DOĞAL DİL İŞLEME İLE ANALİZİ: PROAKTİF İŞ SAĞLIĞI VE GÜVENLİĞİ (İSG) RİSK YÖNETİMİ MODELİ

Alacahan Ö. F.

MEETCON - BALKAN 4th INTERNATIONAL SCIENTIFIC RESEARCH CONGRESS, Skopje, Makedonya, 8 - 10 Eylül 2026, ss.110-120, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Skopje
  • Basıldığı Ülke: Makedonya
  • Sayfa Sayıları: ss.110-120
  • Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
  • Sivas Cumhuriyet Üniversitesi Adresli: Evet

Özet

İş kazalarının ve meslek hastalıklarının önlenmesinde ramak kala (near-miss) olaylarının analizi, proaktif bir güvenlik kültürünün oluşturulmasında hayati bir öneme sahiptir. Ancak, iş yerlerinden toplanan ramak kala bildirimlerinin çoğunlukla yapılandırılmamış serbest metin (anlatı) formatında olması, bu verilerin manuel analizini zorlaştırmakta, zaman kaybına yol açmakta ve sistemik risklerin gözden kaçmasına neden olmaktadır. Bu çalışma, literatürdeki güncel yaklaşımları sentezleyerek, serbest metin halindeki ramak kala raporlarını dijital süreç sapmalarıyla ilişkilendiren bütünleşik bir Proaktif İSG Risk Yönetimi Modeli önermektedir. Önerilen kavramsal çerçeve; Doğal Dil İşleme (NLP), Süreç Madenciliği (Process Mining) ve Bayesyen Ağları (Bayesian Networks) disiplinlerini tek bir potada eritmektedir. Model kapsamında; NLP modülü ile serbest metin anlatıları zaman dizisel olarak yapılandırılmakta, süreç madenciliği modülü ile bu veriler olay günlüklerine dönüştürülerek "İş İzni" gibi kritik İSG prosedürlerindeki sapmalar (uygunluk denetimi) otomatik olarak saptanmaktadır. Son aşamada ise, saptanan bu kurumsal süreç sapmaları ve kök nedenler Bayesyen Ağlar aracılığıyla olasılıksal olarak modellenerek gelecekteki olası kaza riskleri önceliklendirilmektedir. Bu çalışma, İSG yönetiminde geleneksel reaktif kaza incelemelerinden, veri odaklı proaktif ve kestirimci bir yaklaşıma geçiş için kuramsal bir yol haritası sunmaktadır.

Anahtar Kelimeler: Ramak Kala, Doğal Dil İşleme, Süreç Madenciliği, Bayesyen Ağları, Proaktif İSG.

In preventing occupational accidents and diseases, the analysis of near-miss incidents is of vital importance in establishing a proactive safety culture. However, since near-miss reports collected from workplaces are mostly in unstructured free-text (narrative) format, their manual analysis is labor-intensive, time-consuming, and prone to overlooking systemic risks. By synthesizing contemporary approaches in the literature, this study proposes an integrated Proactive OHS Risk Management Model that correlates free-text near-miss reports with organizational process deviations. The proposed conceptual framework integrates Natural Language Processing (NLP), Process Mining, and Bayesian Networks into a single cohesive pipeline. Within the model, the NLP module chronologically structures narrative reports, while the process mining module converts this data into event logs to automatically detect compliance deviations (conformance checking) in critical OHS procedures, such as the Permit to Work system. In the final stage, these detected organizational deviations and root causes are probabilistically modeled using Bayesian Networks to prioritize potential future accident risks. This study provides a theoretical roadmap for transitioning from traditional reactive accident investigations to data-driven, proactive, and predictive OHS management.

Keywords: Near-Miss, Natural Language Processing, Process Mining, Bayesian Networks, Proactive OHS.