지속 가능한 안전 관리에서의 시스템적 위험 밝히기: 사고 텍스트 마이닝을 위한 BERTopic, LLM 및 SNA 통합

복잡한 산업 시스템에서 숨겨진 위험 구조를 밝히기 위해, 본 논문은 BERTopic 모델링, 대형 언어 모델(LLM), 그리고 사회 네트워크 분석(SNA)을 통합한 하이브리드 분석 프레임워크를 제안한다. 이 프레임워크는 비정형 사고 보고서에서 시스템적 안전 정보를 추출하는 것을 목표로 한다. 먼저 745건의 중국어 사고 조사 보고서를 기반으로 잠재 인과 주제를 식별하기 위해 BERTopic을 적용하고, DeepSeek-V3.1(LLM)을 활용해 이 주제들의 의미론적 정제 및 인과 매핑을 수행한다. 이후 긍정적 점별 상호정보량(PPMI)에 기반한 인과 키워드의 의미 네트워크를 구축하고, SNA 기법을 사용하여 그 위상 구조를 분석한다. 연구는 밀폐 공간, 화재, 광산, 건설, 도로 교통의 다섯 주요 위험 커뮤니티를 식별 및 분석한다. 사고 원인에는 다중 요인 결합과 비선형성이라는 소월드 특성이 나타나며, 핵심 위험 노드는 조직 관리 및 준수 결핍과 같은 시스템적 유인에 집중되어 있음을 밝힌다. 결과는 이 프레임워크가 텍스트 내에 내재된 잠재적 시스템 위험 패턴을 효과적으로 식별하며, 안전 설계를 기반으로 한 지속 가능한 안전 관리 메커니즘 개발에 방법론적 지원을 제공함을 보여준다.