研究チームは2026年6月22日、産業安全保健分野のリスク評価を自動化するAIシステムを発表した。従来の手作業によるリスク特定プロセスで発生していた非効率性と、評価者間での判断の不一致を解決するため、Qwen3-32Bモデルを基盤とした微調整（ファインチューニング）手法が導入された。

研究チームはLoRAを活用し、作業場のリスク要因、評価手法、安全管理措置に関する専門知識をモデルに学習させた。学習データは専門家が作成したリスクシナリオに基づき、各サンプルはリスク名称、説明、発生確率、深刻度、管理措置を含むJSON形式で処理された。

実験の結果、微調整されたモデルは88.3%の分類精度を記録し、これは基本モデルと比較して32.1%の向上にあたる。また、F1スコアは0.8830（適合率0.8826、再現率0.8836）を達成した。特に高リスクと低リスクのカテゴリ間での極端な誤分類が発生しなかった点は、安全を重視した予測性能を裏付けている。研究チームは、このシステムが安全管理の整合性と効率を高める意思決定支援ツールとして活用可能であると述べた。

研究チームは2026年6月22日、産業安全保健分野のリスク評価を自動化するAIシステムを発表した。従来の手作業によるリスク特定プロセスで発生していた非効率性と、評価者間での判断の不一致を解決するため、Qwen3-32Bモデルを基盤とした微調整（ファインチューニング）手法が導入された。

研究チームはLoRAを活用し、作業場のリスク要因、評価手法、安全管理措置に関する専門知識をモデルに学習させた。学習データは専門家が作成したリスクシナリオに基づき、各サンプルはリスク名称、説明、発生確率、深刻度、管理措置を含むJSON形式で処理された。

実験の結果、微調整されたモデルは88.3%の分類精度を記録し、これは基本モデルと比較して32.1%の向上にあたる。また、F1スコアは0.8830（適合率0.8826、再現率0.8836）を達成した。特に高リスクと低リスクのカテゴリ間での極端な誤分類が発生しなかった点は、安全を重視した予測性能を裏付けている。研究チームは、このシステムが安全管理の整合性と効率を高める意思決定支援ツールとして活用可能であると述べた。