딥러닝 기반 [KoBERT-MLP] 제조업 위험성평가 빈도·강도 예측 모델 연구

초록

본 연구는 제조업 위험성평가 과정에서 발생하는 평가자의 주관성과 결과 편차 문제를 개선하기 위해, 한국어 텍스트 기반 딥러닝 모델을 활용한 위험성평가 분석 방법을 제안하는 데 목적이 있다. 기존 위험성평가는 작업자의 경험과 판단에 의존하는 정성적 평가 방식으로 수행되어 동일한 작업에 대해서도 평가 결과가 달라지는 한계를 가지고 있다. 이를 해결하기 위해 본 연구에서는 제조업 현장에서 수집된 위험성평가 기록 16,380건을 활용하여 KoBERT-MLP 기반 텍스트 분류 모델을 구축하고, 위험 발생의 빈도와 강도를 다중 클래스 형태로 예측하였다. 데이터는 학습용(80%)과 평가용(20%)으로 분할하여 모델을 학습하였으며, 성능 평가는 Accuracy와 Macro-F1을 중심으로 수행하였다. 또한 제안 모델의 상대적 성능을 객관적으로 제시하기 위해 TF-IDF 기반 로지스틱 회귀 모델을 기준 모델(baseline)로 설정하여 비교 실험을 함께 수행하였다. 분석 결과, Accuracy 기준에서는 KoBERT-MLP가 기준 모델 대비 빈도 예측 +0.026, 강도 예측 +0.052로 우위를 보여 문맥 임베딩의 효과를 확인하였다. 그러나 Macro-F1에서는 반대 양상이 나타났는데, 이는 등급 간 데이터 분포의 불균형과 함께 모델이 다수 등급으로 수렴하는 경향이 복합적으로 작용한 결과로 해석된다. 혼동행렬 분석 결과, 예측 오류는 주로 인접 등급 간에서 발생하였으며, 고위험 등급을 낮은 등급으로 잘못 분류하는 하향 오분류 경향이 일관되게 나타났다. 특히 강도 4등급(고위험)에서 기준 모델의 F1은 0.345인 반면 KoBERT-MLP의 F1은 0.000으로, 희소한 극단 등급 예측에 구조적 한계가 있음이 확인되었다. 본 연구는 위험성평가 데이터를 활용하여 작업자의 판단 패턴을 정량적으로 분석할 수 있음을 제시하며, 향후 위험성평가의 객관성과 일관성을 향상시키기 위한 기초 연구로 활용될 수 있다. 다만 제안 모델은 중간 위험등급 구간에서의 보조 도구로 활용 범위가 한정되며, 고위험 등급의 최종 판단은 반드시 현장 전문가의 검토와 병행되어야 한다. 나아가 이러한 접근은 작업자의 위험 인식과 판단 기준을 데이터 기반으로 이해할 수 있게 함으로써 위험성평가의 일관성 및 객관성 향상에 기여할 수 있다. 다만 안전문화는 교육, 조직 구조, 리더십 등 다양한 요소가 유기적으로 결합되어 형성되는 복합적 개념이므로, 본 연구의 기여 범위는 위험성평가의 일관성 및 객관성 향상에 한정됨을 명확히 한다.

키워드