AI Summary & Key Takeaways
AI InsightBy clarifying both the technical and governance-related limitations of current approaches, the study offers a comprehensive reference model for the design and implementation of AI-supported OHS systems, addressing the needs of both researchers and practitioners.
📌 3 Key Takeaways
Abstract
This study systematically maps the existing body of knowledge on artificial intelligence–based risk analysis approaches in the field of occupational health and safety (OHS) through a two-stage methodological design that integrates a narrative literature review with conceptual framework development. Findings derived from both national and international literature indicate that expert systems, machine learning models, and Internet of Things (IoT)–based sensor networks are increasingly adopted in OHS applications. However, critical dimensions such as explainability, data governance, model lifecycle management, and organizational compliance are not addressed holistically in the majority of existing studies. In response to these gaps, the study synthesizes the literature and proposes an integrated system architecture consisting of five structural layers and four design principles. The proposed architecture combines data collection, data processing, analytical modeling, decision support, and organizational integration processes within a governance framework grounded in Explainable Artificial Intelligence (XAI) and Machine Learning Operations (MLOps). In doing so, it provides a methodological foundation for scalable, transparent, and auditable AI integration in OHS contexts. By clarifying both the technical and governance-related limitations of current approaches, the study offers a comprehensive reference model for the design and implementation of AI-supported OHS systems, addressing the needs of both researchers and practitioners.
Özet
Bu çalışma, yapay zekâ tabanlı risk analizi yaklaşımlarının iş sağlığı ve güvenliği (İSG) alanındaki konumunu literatür incelemesi (narrative literature review) ve kavramsal çerçeve geliştirme yaklaşımının birlikte kullanıldığı iki aşamalı bir metodolojik yapı üzerinde inceleyerek mevcut bilgi birikimini sistematik biçimde haritalamaktadır. Ulusal ve uluslararası literatürden elde edilen bulgular, İSG uygulamalarında uzman sistemler, makine öğrenmesi modelleri ve IoT tabanlı sensör ağlarının giderek yaygınlaştığını; ancak açıklanabilirlik, veri yönetişimi, model yaşam döngüsü yönetimi ve kurumsal uyum gerekliliklerinin çoğu çalışmada bütüncül biçimde ele alınmadığını göstermektedir. Bu eksiklikler doğrultusunda çalışma, literatürden türetilen bulguları sentezleyerek beş katmanlı yapısal bileşenden ve dört tasarım ilkesinden oluşan bütünleşik bir sistem mimarisi önermektedir. Önerilen mimari; veri toplama, veri işleme, analitik modelleme, karar destek ve kurumsal entegrasyon süreçlerini açıklanabilir yapay zekâ ve makine öğrenmesi operasyonları (Machine Learning Operations-MLOps) temelli yönetişim ilkeleriyle bir araya getirerek İSG’de ölçeklenebilir, şeffaf ve denetlenebilir bir yapay zekâ entegrasyonu için metodolojik bir çerçeve sunmaktadır. Çalışma, mevcut yaklaşımlardaki teknik ve yönetişimsel sınırlılıkları netleştirirken hem araştırmacılar hem de uygulayıcı kurumlar için yapay zekâ destekli İSG sistemlerinin tasarımına yönelik bütüncül bir referans modeli ortaya koymaktadır.