Yapay Zekânın İş Güvenliği Uygulamalarındaki Kullanımına Yönelik Bibliyometrik Analiz

Abstract

Tarih boyunca çeşitli biçimlerde var olan iş güvenliği, Sanayi Devrimi ile birlikte daha kapsamlı ve sistematik bir şekilde incelenmeye başlanmış olup, günümüzde de hâlâ en önemli disiplinlerden biri olmaya devam etmektedir. Hızla değişen dünya ile birlikte kurum kültürleri ve dolayısıyla güvenlik kültürü de değişmekte ve iş güvenliğine yönelik yapılan değişimler teknoloji ile birleşmektedir. Yapay zekânın ve yapay zekânın alt disiplinleri olan makine öğrenmesi, derin öğrenme ve doğal dil işleme tekniklerinin iş güvenliği uygulamalarında kullanımı buna örnek verilebilmektedir. Bu kapsamda çalışmanın amacı, yapay zekânın iş güvenliği uygulamalarındaki kullanımına yönelik bir bibliyometrik analiz yapmak olarak belirlenmiştir. Analiz kapsamında veriler; 2 Nisan 2025 tarihinde Web of Science veri tabanından, yayın tarihi ve dil kısıtlaması olmaksızın, yalnızca araştırma makaleleri, konferans bildirileri, kitaplar ve kitap bölümleri yayın türü olarak seçilerek elde edilmiştir. Çalışmada belirlenen anahtar kelimeler doğrultusunda, 1519 bilimsel çalışma incelenmiş; yayın çıktısı ve büyüme eğilimleri, coğrafi dağılım, kurum, yazar, atıf ve anahtar kelime analizleri yapılmıştır. Sonuç olarak, iş güvenliğinde yapay zekânın kullanımına yönelik bir rapor sunulmuştur.

Keywords

• Bibliyometrik Analiz
• Derin Öğrenme
• Doğal Dil İşleme
• İş Güvenliği
• Makine Öğrenmesi
• Yapay Zekâ

A Bibliometric Analysis of the Use of Artificial Intelligence in Occupational Safety Applications

Abstract

Occupational safety, which has existed in many forms throughout history, began to be studied more fully and methodically with the industrial revolution, and it remains one of the most significant disciplines today. With the quickly changing globe, corporate cultures and, by extension, security cultures are changing, and changes to occupational safety are being coupled with technology. The use of artificial intelligence and its sub-disciplines, such as machine learning, deep learning and natural language processing techniques, in occupational safety applications can be given as an example. In this context, the study's goal was to undertake a bibliometric analysis on the usage of artificial intelligence in occupational safety applications. Within the scope of the analysis, data were obtained from the Web of Science database on April 2, 2025, without any restrictions on publication date or language, by choosing only research articles, conference proceedings, books and book chapters as publication types. In accordance with the study's keywords, 1519 scientific studies were reviewed, and publishing output and growth trends, geographical distribution and institution analysis, author analysis, citation analysis, and keyword analysis were conducted. As a result, a paper was presented on the use of artificial intelligence in occupational safety.

Keywords

• Artificial Intelligence
• Bibliometric Analysis
• Deep Learning
• Machine Learning
• Natural Language Processing
• Occupational Safety

References

1. Alli, B. O. (2008). Fundamental Principles of Occupational Health and Safety. International Labour Office.
2. Badillo, S., Banfai, B., Birzele, F., Davydov, I. I., Hutchinson, L., Kam-Thong, T., Siebourg-Polster, J., Steiert, B., & Zhang, J. D. (2020). An Introduction to Machine Learning. Clinical Pharmacology and Therapeutics, 107(4), 871–885. https://doi.org/10.1002/cpt.1796
3. Baradan, S. (2006). Türkiye İnşaat Sektöründe İş Güvenli̇ği̇ni̇n Yeri̇ ve Geli̇şmi̇ş Ülkelerle Kıyaslanması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 8(1), 87–100.
4. Bilir, N. (2021). Türkiye’de Dünden Bugüne İş Sağlığı ve Güvenliği Hizmetleri. Bireklam Arısı.
5. Cheng, C.-W., Leu, S.-S., Cheng, Y.-M., Wu, T.-C., & Lin, C.-C. (2012). Applying data mining techniques to explore factors contributing to occupational injuries in Taiwan’s construction industry. Accident Analysis & Prevention, 48, 214–222. https://doi.org/10.1016/j.aap.2011.04.014
6. Choi, J., Gu, B., Chin, S., & Lee, J.-S. (2020). Machine learning predictive model based on national data for fatal accidents of construction workers. Automation in Construction, 110, 102974. https://doi.org/10.1016/j.autcon.2019.102974
7. Çiçek, Ö. & Öçal, M. (2016). Dünyada ve Türkiye’de İş Sağlığı ve İş Güvenliğinin Tarihsel Gelişimi. HAK-İŞ Uluslararası Emek ve Toplum Dergisi, 5(11), 106–129. http://dergipark.gov.tr/hakisderg/issue/24441/259080
8. Fang, Q., Li, H., Luo, X., Ding, L., Luo, H., Rose, T. M., & An, W. (2018). Detecting non-hardhat-use by a deep learning method from far-field surveillance videos. Automation in Construction, 85, 1–9. https://doi.org/10.1016/j.autcon.2017.09.018

9. Friend, M. A., & Kohn, J. P. (2007). Fundamentals of Occupational Safety and Health. In Goverment Institutes (Fourth).
10. Ha, J., Kambe, M., & Pe, J. (2011). Data Mining: Concepts and Techniques. In Data Mining: Concepts and Techniques. https://doi.org/10.1016/C2009-0-61819-5
11. He, F., & Tao, D. (2024). Foundations of Deep Learning. In Springer. https://doi.org/10.1201/9781003466581-2
12. Jia, Q., Fu, G., Xie, X., Xue, Y., & Hu, S. (2024). Enhancing accident cause analysis through text classification and accident causation theory: A case study of coal mine gas explosion accidents. Process Safety and Environmental Protection, 185, 989–1002. https://doi.org/10.1016/j.psep.2024.03.066
13. Koc, K., Ekmekcioğlu, Ö. & Gurgun, A. P. (2022). Accident prediction in construction using hybrid wavelet-machine learning. Automation in Construction, 133(September 2021). https://doi.org/10.1016/j.autcon.2021.103987
14. Kwon, O. H., Rhee, W., & Yoon, Y. (2015). Application of classification algorithms for analysis of road safety risk factor dependencies. Accident Analysis & Prevention, 75, 1–15. https://doi.org/10.1016/j.aap.2014.11.005
15. Lee, R. S. T. (2024). Natural Language Processing. In Springer. Springer Nature Singapore. https://doi.org/10.1007/978-981-99-1999-4
16. Luger, G. F. (2025). Artificial Intelligence: Principles and Practice. Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-57437-5
17. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the Dartmouth summer research project on artificial intelligence. AI Magazine, 27(4), 12–14.
18. Nath, N. D., Behzadan, A. H., & Paal, S. G. (2020). Deep learning for site safety: Real-time detection of personal protective equipment. Automation in Construction, 112, 103085. https://doi.org/10.1016/j.autcon.2020.103085
19. Park, M., Tran, D. Q., Bak, J., Kulinan, A. S., & Park, S. (2023). Real-time monitoring unsafe behaviors of portable multi-position ladder worker using deep learning based on vision data. Journal of Safety Research, 87, 465–480. https://doi.org/10.1016/j.jsr.2023.08.018
20. Peivandi, M., Ardabili, S. Z., Sheykhivand, S., & Danishvar, S. (2023). Deep Learning for Detecting Multi-Level Driver Fatigue Using Physiological Signals: A Comprehensive Approach. Sensors, 23(19), 8171. https://doi.org/10.3390/s23198171
21. Pillai, A. S., & Tedesco, R. (2023). Machine Learning and Deep Learning in Natural Language Processing. In Machine Learning and Deep Learning in Natural Language Processing. https://doi.org/10.1201/9781003296126
22. Russel, S., & Norvig, P. (2022). Artificial Intelligence A Modern Approach (4. Edition).
23. Takala, J., Pesonen, J., Kulikov, L., & Jäppinen, H. (1991). Machine translation for chemical safety information. Journal of Hazardous Materials, 27(2), 213–230. https://doi.org/10.1016/0304-3894(91)80031-I
24. Zhou, Z. H. (2021). Machine Learning. In Springer. https://doi.org/10.1007/978-981-15-1967-3