Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightYaklaşım, uzman incelemesinin yerine geçmeyen, kaza sonrası ön değerlendirmeyi destekleyebilecek yardımcı bir araç olarak ele alınmıştır.
📌 3 Maddede Bu Makale
Özet
Demiryolu kazalarının kök nedenlerinin doğru biçimde belirlenmesi, emniyet yönetim sistemlerinin etkinliği açısından kritik öneme sahiptir. Ancak kaza inceleme raporlarının çoğunlukla serbest metin biçiminde hazırlanması, sistematik ve karşılaştırılabilir veri elde edilmesini güçleştirmektedir. Bu çalışmada, 2005–2025 dönemine ait Avrupa ve Türkiye demiryolu kaza inceleme raporlarından elde edilen 1.208 yapılandırılmış kayıt değerlendirilmiştir. Veri kontrolleri sonucunda 1.139 tekil kayıt betimsel analize, 1.068 kayıt ise modellemeye alınmıştır. Raporların yapılandırılmasında büyük dil modeli destekli bir yaklaşım kullanılmış; ülke, kaza türü, tren türü, zaman ve kaza sonucu değişkenleriyle ağaç tabanlı sınıflandırma modelleri karşılaştırılmıştır. İşletme personeli kaynaklı insan faktörleri kayıtların %43,37’sini, dış insan faktörleri ise %25,55’ini oluşturmuştur. Türkiye örnekleminde dış insan faktörlerinin oranı %40,43, Avrupa örnekleminde %25,07 olarak belirlenmiştir. Gruplu çapraz doğrulamayla seçilen Random Forest modeli, dokunulmamış test kümesinde %66,36 doğruluk, %41,05 dengeli doğruluk, 0,410 makro F1 ve 0,656 ağırlıklı F1 skoru elde etmiştir. Model yaygın insan faktörü sınıflarında daha yüksek başarım gösterirken, az temsil edilen çevresel ve organizasyonel nedenleri güvenilir biçimde ayıramamıştır. Yaklaşım, uzman incelemesinin yerine geçmeyen, kaza sonrası ön değerlendirmeyi destekleyebilecek yardımcı bir araç olarak ele alınmıştır.
Abstract
Accurate identification of the root causes of railway accidents is critical to the effectiveness of safety management systems. However, because accident investigation reports are generally prepared in free-text format, obtaining systematic and comparable data from them remains challenging. This study evaluated 1,208 structured records extracted from European and Turkish railway accident investigation reports covering the period 2005–2025. Following data quality checks, 1,139 unique records were included in the descriptive analysis and 1,068 records in the modelling dataset. A large language model-assisted approach was used to structure the reports, and tree-based classifiers were compared using country, accident type, train type, temporal, and accident-consequence variables. Human factors related to operational staff accounted for 43.37% of the records, while external human factors accounted for 25.55%. External human factors represented 40.43% of the Turkish sample and 25.07% of the European sample. The Random Forest model selected through grouped cross-validation achieved an accuracy of 66.36%, a balanced accuracy of 41.05%, a makro-F1 score of 0.410, and a weighted F1 score of 0.656 on the untouched test set. The model performed better for the prevalent human-factor classes but could not reliably distinguish the underrepresented environmental and organizational causes. The approach is therefore intended as a supporting tool for preliminary post-accident assessment rather than a substitute for expert investigation.