期刊名：Safety

期刊主页：https://www.mdpi.com/journal/safety

职业安全与健康（OSH）既是全球性现实挑战，也是论文选题的富矿。本期“论文选题灵感”精选五篇近期文献，从联合循环电厂施工中的混合风险评估，到意大利某大区职业安全违规模式与执法策略分析，再到印尼校园OHS障碍与策略、美国农业伤害严重度可解释预测，以及AI/NLP在职业风险预防中的前沿趋势，覆盖多场景、多方法，为你梳理可借鉴的选题方向与可拓展的研究缺口。

论文一：

从风险感知到可操作控制：联合循环发电厂建设中的混合职业风险分析与评估方法

https://doi.org/10.3390/safety12040111

该研究针对某联合循环电厂施工现场提出了一种综合混合型职业风险评估工作流程，该流程结合了基于问卷调查的“5×5”风险矩阵感知风险筛查与针对高风险感知活动的任务级HAZOP分析。结果显示高空作业风险最高，其次为吊装、化学品和电气；安全技术人员评分更保守。HAZOP揭示控制弱点既有技术性也有组织性，涉及工作许可、锁定挂牌、隔离区、防坠落和化学品纪律，强调组织纪律与技术措施并重。

·选题方向参考

未来研究可围绕多项目纵向验证风险矩阵与事故绩效关系，考察角色差异与安全文化；用STAMP/FRAM分析工作许可、锁定挂牌等组织失效；结合IoT、BIM、AI开展动态风险评估；评估培训与工程干预效果；推动数字化OHSMS整合；引入韧性工程与安全-II视角。

论文二

职业安全违规模式与执法策略：来自意大利阿布鲁佐大区多年分析的启示

https://doi.org/10.3390/safety12040103

该研究回顾分析了意大利阿布鲁佐大区七年职业安全执法检查，涉及274次处罚检查，按疫情前后、行业、干预类型、违规类型、多重不合规、责任方及年龄等分类。结果显示涉及建筑行业的违规占65%，程序性违规最常见，其次为结构性、文件性和组合违规；疫情后违规及违规/检查比下降。违规类型与行业、干预类型和责任方显著相关，疫情也改变了检查结构、违规模式和合规恢复。研究强调行业与情境依赖的合规动态，建筑和农业责任链复杂，建议强化检查—培训一体化监管，并建立标准化数据收集模型。

·选题方向参考

未来研究可更聚焦安全违规行为与事故预防：探讨安全文化、安全领导力、分包责任链对建筑和农业合规的影响；评估检查—培训联合执法对事故率、未遂事件和安全行为的效果；结合数字化风险预警与标准化安全数据开展跨行业比较；并关注移民、年龄、企业规模等因素对安全合规的调节作用。

论文三

教育环境中的职业健康与安全：基于混合方法的障碍、策略与合规研究

https://doi.org/10.3390/safety12010011

该研究采用横断面混合方法，在印尼首都六所学校对217名教师进行KPAP问卷调查，并对38名教师开展焦点小组讨论。结果显示，教师对职业健康安全态度积极，但演练参与和PPE使用等实践不足，存在“意识—行动”差距。主要障碍是学校缺乏专门OHS法规指导、资源与基础设施有限、OHS被视为低优先级；策略包括外部合作和校内持续行动。这些发现凸显了加强OHS治理的必要性，即应通过制定更全面的政策、强化跨部门协作以及提升教师及其他教职员工的能力来实现这一目标。。

·选题方向参考

未来可聚焦学校安全治理与政策执行、安全领导力与安全文化、教师学生参与式风险识别、应急演练和PPE行为干预、资源投入与基础设施改善、数字化安全培训与风险清单，以及跨校跨地区比较和长期追踪，以缩小意识—行动差距并提升校园安全绩效。

论文四

农业伤害严重程度预测：基于数据驱动综合分析的全局与局部SHAP可解释性比较

https://doi.org/10.3390/safety12010006

该研究针对农业伤害正式报告往往不完整，从而导致国家数据稀疏的问题，利用AgInjuryNews手动整理2400余起美国农业事故，比较六种集成机器学习模型预测伤害结果（致命/非致命），准确率约0.71、F1分数约0.81；并引入SHAP进行全局与局部可解释分析，发现影响整个数据集伤害严重程度的关键因素为头盔使用、受害者年龄、致伤因素类型，事故地点和受害者角色等则具情境差异，这些发现为实现更具主动性的农业安全管理提供了有力工具。

·选题方向参考

未来可聚焦可融合多源监测、机械与化学品暴露、作业行为及气象数据，提升模型跨地区泛化与实时预警；用SHAP指导头盔、老龄工人和高风险代理干预；开展干预前后安全效果评估；开发农业安全决策支持平台，并关注移民、临时工等弱势群体。

论文五

人工智能与自然语言处理在职业风险预防中的新趋势

https://doi.org/10.3390/safety12010007

该综述检索2013—2025年Web of Science核心合集，纳入123项研究，梳理AI、NLP和大语言模型在职业风险预防中的应用。早期研究主要以文本挖掘和传统机器学习分类事故、提取风险因素；较新的研究则利用深度学习预测伤害严重度、PSIF和FRCP，并融合文本、过程、环境与传感器数据；最新一批研究用LLM、检索增强生成和视觉语言模型生成安全指导、支持事故调查、映射任务并监测PPE合规。该领域的局限包括数据质量与偏差、外部验证不足、系统不透明性、“幻觉”及监管伦理问题。研究将AI/LLM定位为辅助人类决策工具，并呼吁高质量数据和公平、稳健、可解释、可治理的评估。

·选题方向参考

未来应构建高质量、去偏、多源OHS数据集，开展跨行业外部验证；评估LLM在事故调查、风险预测和安全指导中的可靠性与“幻觉”风险；发展可解释、公平、稳健的人机协同模型；推动AI实时监测PPE与危险源，并嵌入OHSMS，评估其对事故率、未遂事件和安全行为的影响，同时完善伦理与治理标准。

Safety期刊介绍

主编：Raphael Grzebieta, University of New South Wales, Sydney, Australia

Safety（ISSN 2313-576X）是一个经过严格同行评审的国际性开放获取期刊，主要关注工业和人类健康安全领域，包括但不限于以下话题：提升公共与工业安全及人类健康的先进科学与技术，风险评估，职业健康与安全，环境健康与安全，空中、海上及陆地交通工具的安全移动，安保、暴力事件与应急响应方面的伤害预防，以及基于证据的决策制定与安全哲学等多个研究方向.

2025 Impact Factor: 2.4

2025 CiteScore: 3.9

Time to First Decision: 34.4 Days

Acceptance to Publication: 6.6 Days