
Md Hadisur Rahman, Nishat B. Alam, Sina Samimi Tahorsten Wuest Ramy Harik, JuHyeong Ryu
Özet.
İş Sağlığı ve Güvenliği (İSG), gerçek zamanlı tehlike tespiti, kaza önleme ve mevzuata uyumun gerekli ancak kaynak yoğun olduğu imalat gibi yüksek riskli sektörlerde kritik bir öncelik olmaya devam etmektedir. Üretken Yapay Zeka (YZ) ve Büyük Dil Modellerinin (YÖN) hızlı gelişimi, akıllı tehlike tanıma, uyarlanabilir güvenlik eğitimi ve otomatikleştirilmiş uyumluluk dokümantasyonu yoluyla güvenlik yönetimini otomatikleştirmek ve güçlendirmek için yeni fırsatlar sunmaktadır. Bu çalışma, Sistematik İncelemeler ve Meta-Analizler için Tercih Edilen Raporlama Öğeleri (PRISMA) çerçevesini takip ederek seçilen 52 hakemli makalenin kapsamlı bir bibliyometrik, bilimsel ve derinlemesine analizini gerçekleştirmektedir. Bulgular, 2023’ten bu yana araştırma çıktısında önemli bir artış olduğunu ve Amerika Birleşik Devletleri’nin katkılarda başı çektiğini ortaya koymaktadır. Bilimsel analiz, işyeri güvenliğinde insan-yapay zeka işbirliğine artan bir vurgu olduğunu göstermektedir. Çalışmaların çoğu, öncelikle doğruluk ve F1 puanı gibi hesaplamalı ölçütlerle değerlendirilen olay tahmini ve tespiti için YZ kullanmıştır; OSHA uyumlu doğrulama ve düzenleyici performans ölçütleri ise oldukça sınırlı kalmıştır. Ayrıca, araştırma alanı sağlık ve genel endüstriler tarafından domine edilirken, yüksek kaza riskleri ve sıkı düzenleyici denetimle karakterize edilen imalat ve inşaat sektörleri yeterince araştırılmamıştır. Bu boşlukları gidermek için, bu çalışma, gerçek zamanlı, OSHA bilgisine dayalı güvenlik yönetimini sağlamak amacıyla çok modlu tehlike tanımayı GA I (Üretken YZ)ve LLM’lerle (Büyük Dil Modelleri) entegre eden bir pilot çerçeve sunmaktadır. Çerçeve, şeffaflığı ve güvenilirliği güçlendirmek için standartlaştırılmış değerlendirme ölçütleri, yorumlanabilirlik özellikleri ve insan müdahalesi içeren denetim sunmaktadır. Genel olarak, çalışma mevcut araştırma alanını haritalandırarak, temel metodolojik ve sektörel boşlukları belirleyerek ve güvenilir, yapay zeka destekli güvenlik yönetim sistemlerinin geliştirilmesine rehberlik edecek pratik bir çerçeve sunarak katkıda bulunmaktadır.
© 2026 Yazarlar. ELSEVIER Ltd. tarafından yayınlanmıştır. Bu, CC BY-NC-ND lisansı ( https://creativecommons.org/licenses/by-nc-nd/4.0 ) kapsamında açık erişimli bir makaledir.
NAMRI|SME bilimsel komitesinin sorumluluğunda hakem değerlendirmesi yapılmıştır
1. Giriş
1.1 . İmalatta kaza ve yaralanmalar
İmalatta iş sağlığı ve güvenliği (İSG), küresel ölçekte kritik ve sürekli zorluklar olmaya devam etmektedir [1] . İmalat ortamları doğası gereği karmaşıktır ve hızlı hareket eden üretim hatları, ağır makineler, tehlikeli maddeler ve yüksek enerjili süreçlerle karakterize edilir [2] . Bu koşullar, çalışanları mekanik yaralanmalardan ve kimyasal maruziyetlerden ergonomik ve çevresel tehlikelere kadar geniş bir yelpazede riske maruz bırakmaktadır [3] . Son araştırmalar, karmaşık insan-makine-çevre sistemlerinde güvensiz durumların anlaşılmasını ve önlenmesini geliştirebilecek Dijital İkiz tabanlı akıl yürütmenin kullanıldığı Endüstri 5.0 bağlamlarında akıllı, insan merkezli güvenlik yönetiminin gerekliliğini vurgulamaktadır [4] , [5] . Dahası, endüstriyel paradigma Endüstri 5.0’a doğru kayarken, daha güvenli, uyarlanabilir, verimli ve tatmin edici çalışma ortamları elde etmek için insan merkezli yaklaşımların gerekli olduğu giderek daha fazla kabul görmektedir [6] . Bu vizyon doğrultusunda, montaj planlamasında işçilerin rahat çalışma sürelerini dikkate alan bilgi tabanlı çerçeveler gibi işçi eğitimini ve refahını optimize etmek üzere tasarlanmış akıllı sistemler, imalatta güvenliğin iyileştirilmesine ve fizyolojik stresin azaltılmasına daha fazla katkıda bulunur [7] .
2023 yılında, Amerika Birleşik Devletleri imalat sektörü yaklaşık 355.800 ölümcül olmayan yaralanma ve hastalık vakası bildirdi ve bu vakaların oranı 100 tam zamanlı eşdeğer işçi başına 2,6 vakaydı [8] . Sektör aynı yıl yaklaşık 400 işçi ölümü yaşadı ve ölümlerin %30’undan fazlası makine çarpması veya makineye sıkışma gibi temas olaylarından kaynaklandı [9] . Benzer kalıplar uluslararası alanda da görülmektedir. Avrupa Birliği’nde (AB-27), imalat 2023 yılında tüm ölümcül olmayan iş yeri kazalarının %18,5’ini oluşturdu ve sektörler arasında ölümcül yaralanmaların üçüncü en yüksek payını temsil etti [10] . Asya’da, Çin ve Hindistan gibi ülkeler her yıl yüksek sayıda imalat kaynaklı ölüm bildirmeye devam ediyor [11] . Toplu olarak, bu istatistikler dünya çapında imalat işçilerinin devam eden kırılganlığını vurgulamakta ve güvenlik yönetim sistemlerine olan acil ihtiyacı güçlendirmektedir.
İmalatta işçi güvenliğinin sağlanması, etkili tehlike tespiti ve özellikle İş Sağlığı ve Güvenliği İdaresi (OSHA) tarafından oluşturulan düzenleyici çerçevelere sıkı sıkıya uyulmasına bağlıdır [12] . 2024 mali yılında, en sık atıfta bulunulan OSHA standartlarından bazıları Düşme Koruması, Genel Gereksinimler (29 CFR 1926.501), Genel Sanayi için Tehlike İletişimi (29 CFR 1910.1200) ve İnşaat Merdivenleri (29 CFR 1926.1053) idi [13] . Bu standartlar, ciddi işyeri kazalarının yaygın nedenleri olan düşmeler, kimyasal maruziyet ve ekipmanın yanlış kullanımı gibi temel tehlikeleri ele almaktadır. OSHA verileri, en sık ihlal edilen standartlara odaklanarak, imalat operasyonlarının eğitim, prosedürel uyumluluk ve gerçek zamanlı tehlike öngörüsünde sürekli olarak karşılaştığı boşlukları ortaya koymaktadır. Bu kalıpların daha net bir şekilde iletilmesini desteklemek amacıyla, giriş bölümüne OSHA’nın temel tehlike kategorilerinin grafiksel bir özeti eklenmiştir; bu özet, söz konusu düzenleyici gerekliliklerin fabrika ortamında karşılaşılan risk türleriyle nasıl eşleştiğini göstermektedir.
Manuel denetimler, kağıt tabanlı kayıt tutma, periyodik eğitim, iş güvenliği toplantıları, tehlike raporlama formları ve denetim prosedürleri gibi geleneksel güvenlik uygulamaları yaygın olarak benimsenmeye devam etmekte ancak modern endüstriyel talepler için giderek yetersiz kalmaktadır [14] , [15] . Bu yaklaşımlar genellikle gecikmiş tehlike tespiti, sınırlı ölçeklenebilirlik, tutarsız uyumluluk ve ağır idari yüklerden muzdariptir [16] . Dahası, manuel tehlike tespiti ve insan yargısı, öznellik, önyargı ve değişkenlik getirerek güvenlik müdahalelerinin güvenilirliğini ve zamanlamasını azaltır [15] , [17] . Kritik olarak, bu sistemler nadiren kazaları ve yaralanmaları proaktif olarak önlemek için gereken gerçek zamanlı uyarıları veya tahmine dayalı içgörüleri sağlar.
Bu sınırlamalar ve üretim süreçlerinin artan karmaşıklığı göz önüne alındığında, güvenlik yönetimini reaktiften proaktif hale dönüştürebilecek gelişmiş, veri odaklı ve son teknolojiye sahip teknolojilerin benimsenmesine acil ihtiyaç vardır [15] . Son çalışmalar ayrıca GAI’nin akıllı üretim iş akışlarına giderek daha fazla entegre edildiğini [18] ve gerçek zamanlı karar desteği, süreç optimizasyonu ve akıllı fabrika operasyonlarında genişleyen rolüne dair kanıtlar sunduğunu göstermektedir [19] . Yakın tarihli bir inceleme ayrıca, optimizasyon ve otomasyon için yapay zekada geniş ilerlemeye rağmen, işçi güvenliğinin GAI’nin üretimde dönüştürücü bir rol oynayabileceği, yeterince araştırılmamış ancak önemli bir alan olmaya devam ettiğini vurgulamaktadır [15] . Yapay zekanın yalnızca verimliliği değil, aynı zamanda güvenliği de artırma potansiyeline dair bu artan farkındalık, ortaya çıkan araştırmaların temelini oluşturmakta ve yapay zekanın, özellikle GAI ve LLM’lerin, üretimde tehlike tanıma, uyumluluk ve sağlık sonuçlarını güçlendirmek için nasıl kullanılabileceğinin daha yakından incelenmesini teşvik etmektedir.
1.2 . Güvenlik ve sağlık alanında yapay zekanın yükselişi
Üretimde süregelen güvenlik, sağlık ve tehlike sorunları, gelişmiş dijital teknolojilerin benimsenmesini hızlandırmıştır [20] . Bunlar arasında, GAI ve Büyük Dil Modelleri (LLM’ler), işyeri tehlikelerinin nasıl tanımlandığı, yönetildiği ve önlendiği konusunda dönüşüm yaratmaktadır. Bu yapay zeka teknolojileri, çeşitli veri akışlarını analiz etmek, gizli risk kalıplarını ortaya çıkarmak ve endüstriyel ortamlarda gerçek zamanlı karar verme ve proaktif güvenlik yönetimini destekleyen zamanında, uygulanabilir içgörüler üretmek için gelişmiş algoritmalar kullanmaktadır [21] . Dahası, güvenilir yapay zeka çerçevelerinin ortaya çıkması, bu tür akıllı sistemlerin konuşlandırılmasının güvenli, şeffaf ve katılımcı kalmasını sağlayarak teknolojik ilerlemeyi etik ve insan odaklı ilkelerle uyumlu hale getirmektedir [22] . Buna paralel olarak, üretim ortamlarında akıllı algılama, iletişim ve görev koordinasyonunu geliştirmek için LLM tabanlı insan-robot işbirliği yaklaşımları araştırılmaktadır [23] . Yapay zeka, makinelerin insan zekasını ve davranışını taklit etmesini sağlayan geniş bir teknikler kümesini kapsamaktadır. Yapay zekâ içinde, makine öğrenimi (ML) verilerden öğrenmek için istatistiksel yöntemler kullanırken, ML’nin özel bir alt kümesi olan derin öğrenme (DL), çok katmanlı sinir ağlarını kullanarak büyük miktarda bilgiyi işler. Bu hiyerarşik ilişkiler, şu anda üretim güvenliğine uygulanan GAI’nin evriminin temelini oluşturmaktadır [24] .
GAI, ilgili ve bağlam duyarlı içeriği otonom olarak üreterek geleneksel analitiğin ötesine geçer [25] . Metin, görüntü, video ve sensör çıktıları gibi çok modlu verileri yorumlayabilir ve ardından otomatik olarak güvenlik önerileri üretebilir. Son gelişmeler, GAI’nin tehlike tanımlama, risk değerlendirme, güvenlik dokümantasyonu ve düzenleyici uyumluluk denetimindeki potansiyelini göstermekte ve bunların tümü iş yeri izlemesinin iyileştirilmesine ve iş güvenliğinin artırılmasına katkıda bulunmaktadır [26] . Benzer şekilde, ChatGPT, Gemini, LLaMA2 ve Code LIama gibi LLM’ler, karmaşık güvenlik talimatlarını anlama, düzenleyici çerçeveleri özetleme ve endüstri standartlarına uygun öneriler sunma konusunda olağanüstü bir yetenek sergilemektedir [27] . Bağlamsal anlayışları, insan hatasını azaltır ve güvenlikle ilgili karar verme güvenilirliğini güçlendirir. Etkinliklerinin önemli bir bileşeni, en doğru ve bağlam duyarlı yapay zeka yanıtlarını elde etmek için istemleri oluşturma ve iyileştirme süreci olan istem mühendisliğidir [28] . Sıfır atış, az atış ve düşünce zinciri yönlendirmesi gibi teknikler, bu sistemlerin belirsiz veya tehlikeli koşullar altında bile tehlikeleri belirlemesine, güvenlik prosedürlerini değerlendirmesine ve uyumluluğu doğrulamasına olanak tanır.
İnsanlar ve yapay zeka arasındaki iş birliği, hesaplama verimliliğini uzman yargısıyla birleştirerek güvenlik operasyonlarının hem hassas hem de düzenleyici standartlara uygun olmasını sağlar [29] . Tehlike tespitini otomatikleştirerek, uyumluluk izlemesini güçlendirerek ve sürekli öğrenmeyi sağlayarak, GAI, reaktif, manuel güvenlik yönetiminden proaktif, veri odaklı karar vermeye doğru bir paradigma değişimini kolaylaştırır. Bu dönüşüm, kazaları meydana gelmeden önce önleyebilen akıllı, uyarlanabilir ve son derece verimli üretim sistemlerinin ortaya çıkmasının temelini oluşturur. Bununla birlikte, özellikle yapay zeka destekli hızlı mühendisliğin OSHA düzenleyici çerçevesi içinde tehlike tanıma, karar desteği ve uyumluluk uyumunu nasıl optimize edebileceği konusunda önemli araştırma boşlukları mevcuttur. Bu boşlukların giderilmesi, yapay zekanın işyeri güvenliği ve sağlığını geliştirmede güvenilir bir ortak olarak tam potansiyelini gerçekleştirmek için çok önemlidir.
1.3 . Araştırma eksiklikleri ve hedefleri
Yapay zekâ ve yerel dil işleme yöntemlerinin iş sağlığı ve güvenliği yönetimine entegrasyonu, özellikle imalat sektöründe olmak üzere yüksek riskli sektörlerde önemli bir potansiyel göstermiştir. Önceki araştırmalar, yapay zekânın olay tahmini, uyumluluk doğrulaması ve risk değerlendirmesi potansiyelini inceleyerek güvenlik operasyonlarının doğruluğunda ve verimliliğinde kayda değer iyileştirmeler göstermiştir. Örneğin, Shah ve Mishra (2024), işçi uyumluluğunu artırmak ve kaza olasılıklarını azaltmak için yapay zekâ tabanlı yerel akıllı sanal asistan geliştirmiştir [30] . Benzer şekilde, Khurram vd. (2025), imalatta proaktif güvenlik izleme ve risk önleme için yapay zekâ odaklı tahmine dayalı analitik ve makine öğrenimi tekniklerini incelemiş ve gerçek zamanlı sensör verilerinin ve endüstriyel kontrol sistemlerinin tahmine dayalı bakım ve güvenlik çerçevelerine entegrasyonunu vurgulamıştır [15] . Operasyonel verimliliğin ötesinde, Sarkar ve Paul (2025), yapay zekâ kullanımının etik boyutlarının altını çizerek, imalatta yapay zekâ benimsenmesi hızlandıkça güven, adalet ve güvenliğin korunmasının esas olduğunu vurgulamıştır [31] . Bunu tamamlayıcı olarak, Yazdi vd. (2025), dijital ikizlerin, makine öğreniminin ve gerçek zamanlı analitiğin endüstriyel sektörler genelinde tehlike tanımlamasını ve dinamik risk kontrolünü önemli ölçüde nasıl geliştirebileceğini göstermiştir [32] . Benzer şekilde, Ozobu ve ark. (2025), gerçek zamanlı tehlike tespiti ve maruz kalma kontrolü için ölçeklenebilir bir yapay zeka ve IoT odaklı kavramsal çerçeve önererek, yüksek riskli ortamlarda gelişmiş iş güvenliği sistemleri için bir temel oluşturmuştur [33] .
Bu ilerlemelere rağmen, kritik araştırma boşlukları devam etmektedir. Mevcut çalışmalar öncelikle genelleştirilmiş yapay zeka uygulamalarına ve performans değerlendirme ölçütlerine odaklanmakta olup, GAI ve hızlı mühendisliğin OSHA düzenleyici standartlarıyla sistematik olarak nasıl uyumlu hale getirilebileceğine dair sınırlı bir araştırma yapılmaktadır. OSHA’nın standart protokol gereksinimlerini veya gerçek zamanlı durumsal farkındalığın, uyumluluk dokümantasyonunun ve proaktif tehlike azaltmanın hayati önem taşıdığı üretim ortamlarının benzersiz tehlike dinamiklerini ele alan çok az çalışma bulunmaktadır [34] . Sonuç olarak, GAI çerçevelerinin tehlike tanıma, kaza önleme ve OSHA uyumluluğunu nasıl güçlendirebileceğine dair metodolojik olarak titiz ve düzenlemeye yönelik bir araştırmaya acil ihtiyaç vardır.
Bu eksiklikleri gidermek için bu çalışma aşağıdaki hedefleri takip etmektedir: (a) yapay zeka ve doğrusal öğrenme modellerinin (LLM) imalat güvenliği yönetimindeki uygulamalarını, tehlike tanımlama, OSHA uyumluluğu ve kaza önlemeye katkılarına odaklanarak kapsamlı bir şekilde incelemek ve analiz etmek ve (b) mevcut araç ve metodolojileri kıyaslayan ve GAI çözümlerini imalatta proaktif güvenlik yönetimine entegre etmek için pratik kılavuzlar sunan yapay zeka odaklı bir hızlı mühendislik çerçevesi önermek. Bu hedefleri yerine getirerek, bu çalışma yapay zeka inovasyonu ile düzenleyici uygulama arasındaki boşluğu kapatmayı ve imalatta veri odaklı, şeffaf ve uyumlu bir güvenlik kültürü oluşturmayı amaçlamaktadır. Bulguların, hem araştırmacılara hem de endüstri uygulayıcılarına, yüksek riskli endüstriyel ortamlarda işçi sağlığını ve kaza önlemeyi geliştiren güvenilir, uyarlanabilir ve akıllı güvenlik sistemlerinin tasarımına yönelik rehberlik etmesi beklenmektedir.
2. Araştırma Yöntemleri
Bu çalışma, iş yerlerinde iş sağlığı ve güvenliğini teşvik etmek için GAI’nin uygulanmasına ilişkin mevcut literatürü kapsamlı bir şekilde analiz etmek amacıyla bibliyometrik, bilimsel ve sistematik inceleme yaklaşımını benimsemiştir. İnceleme, metodolojik şeffaflık, tekrarlanabilirlik ve akademik titizliği sağlamak amacıyla Sistematik İncelemeler ve Meta-Analizler için Tercih Edilen Raporlama Öğeleri (PRISMA) kılavuzlarına uygun olarak yürütülmüştür. PRISMA çerçevesini izleyen genel yöntemler Şekil 1’de gösterilmiştir ; burada n, her PRISMA aşamasındaki öğe sayısını ifade eder (örneğin, veritabanı sayısı, kayıt sayısı, taranan çalışma sayısı veya dahil edilen çalışma sayısı). Nicel bir genel bakış sağlamak için çalışma, bibliyometrik ve bilimsel analizler gerçekleştirmiştir. Küresel katkıları ve araştırma dağılımını belirlemek için yıllar ve coğrafi bölgeler genelinde yayın eğilimleri analiz edilmiştir.
Şekil 1. Çalışma seçimi için PRISMA çerçevesi
Ayrıca, VOSviewer yazılımı (sürüm 1.6.20) kullanılarak, GAI tabanlı iş güvenliğinde temel tematik kümeleri ve ortaya çıkan araştırma konularını belirlemek için anahtar kelime eşdizimlilik ağ analizi ve bu alana katkıda bulunan etkili yazarları, kurumları ve işbirlikçi araştırma ağlarını haritalamak için ortak yazarlık ve atıf sayısı analizi gerçekleştirildi. Son olarak, araştırma hedeflerini, yapay zeka metodolojilerini, güvenlik alanlarını ve OSHA standartlarıyla uyumluluğunu incelemek için seçilen 52 çalışma üzerinde ayrıntılı nitel ve derinlemesine içerik analizi yapıldı. Bu aşama, GAI, LLM’ler ve hızlı mühendislik çerçevelerinin imalat ve diğer yüksek riskli sektörlerde tehlike tespiti, risk azaltma ve uyumluluk yönetimine nasıl katkıda bulunduğuna odaklanan tematik bir sentezi içeriyordu. Genel olarak, bu yöntem, bibliyometrik haritalamayı derinlemesine nitel analizle birleştiren kapsamlı, veri odaklı ve şeffaf bir inceleme sağlayarak, GAI’nin iş sağlığı ve güvenliği yönetiminin geleceğini nasıl şekillendirdiğine dair bütünsel bir anlayış sunmaktadır. Bu yaklaşım benimsendikten sonra, birleşik bibliyometrik ve nitel analizlerden ortaya çıkan sonuçlara geçiyoruz.
3. Sonuçlar
3.1 . Çalışma seçimi ve tarama sonuçları
İlgili çalışmaları belirlemek için, iki önde gelen veri tabanı olan Scopus ve Web of Science (WoS) sistematik olarak tarandı. Arama stratejisi, Şekil 1’de gösterilen ve iş güvenliği ve tehlike tanımlamasında GAI uygulamalarını ele alan çalışmaları yakalamak üzere tasarlanmış yapılandırılmış bir dize kullandı. Arama, İngilizce olarak yayınlanan dergi makaleleri, konferans bildirileri ve derleme makaleleriyle sınırlandırıldı.
Arama 15 Temmuz 2025 tarihinde gerçekleştirildi. Toplam 1.531 kayıt elde edildi (Scopus: n = 713; WoS: n = 818). 405 mükerrer kayıt çıkarıldıktan sonra 1.126 benzersiz kayıt kaldı. Bu kayıtlar bibliyometrik ve bilimsel analiz için kullanıldı ve daha sonra başlık ve özetlere göre incelendi. Bu adımdan sonra, daha fazla değerlendirme için başlangıçta 49 makale seçildi. Ek olarak, yakın zamanda yayınlanmış ve OSHA odaklı dört makale daha dahil edildi ve tam metin incelemesi için aranan makale sayısı 53’e ulaştı. Bunlardan bir makale, tam metne erişilemediği için dışlandı ve 52 uygun makale kaldı. Son 52 makale, derinlemesine nitel sentez ve analiz için dahil edildi.
3.2 . Yayın eğilimleri ve coğrafi katkılar
Şekil 2 (a) ‘da gösterildiği gibi, 15 Temmuz itibarıyla 2023’ten 2025 ortalarına kadar iş sağlığı ve güvenliği için yapay zeka uygulamaları üzerine yayın sayısı önemli ölçüde artmıştır . 2023 öncesinde, iş sağlığı ve güvenliğinde yapay zeka ve yüksek seviyeli modeller üzerine yapılan araştırma çıktısı nispeten mütevazıydı ve 2022’de toplam 17 yayınla yalnızca yıllık artış gösteriyordu. 2023’te büyük bir dönüm noktası yaşandı ve yayın sayısı keskin bir şekilde 157’ye yükselerek 2022’ye kıyasla yaklaşık %823’lük bir artış gösterdi. Bu üstel büyüme 2024’te de devam etti ve toplam 824 yayınla bir önceki yıla göre olağanüstü bir %425’lik artış gösterdi. Temmuz 2025 itibarıyla, alan zaten 529 yayın üretmişti ve trende dayalı veri projeksiyonları, 2025 sonuna kadar toplam çıktının 1.000 çalışmayı aşabileceğini ve sürdürülebilir bir araştırma ivmesi gösterdiğini öne sürüyor.
Şekil 2. ( a) Yıllık yayın eğilimleri, (b) coğrafi bölgeye göre yayınlar
Bu dikkat çekici genişleme, yapay zeka (GAI) ve dil modellerinin (LLM) güvenlik yönetimi, tehlike tespiti ve mevzuat uyumluluğunda dönüştürücü araçlar olarak giderek daha fazla kabul görmesinin altını çizmektedir. Bu artış, büyük ölçekli dil modellerindeki hızlı teknolojik gelişmeler, artan endüstri dijitalleşmesi ve yapay zeka destekli güvenlik ve uyumluluk çerçevelerine yönelik artan düzenleyici ve toplumsal ilgiyle örtüşmektedir. Genel olarak, bu eğilim, kavramsal ve keşifsel tartışmalardan, güvenlik açısından kritik ortamlarda pratik, uygulama odaklı uygulamalara doğru belirleyici bir geçişi işaret etmekte ve küresel araştırma önceliklerinde proaktif, veri odaklı iş güvenliği inovasyonuna doğru önemli bir kaymayı göstermektedir.
Şekil 2 (b) ‘de gösterildiği gibi 15 veya daha fazla yayına sahip ülkelere odaklanan coğrafi dağılım analizi, Amerika Birleşik Devletleri’nin 316 çalışma ile bu alanda lider olduğunu, onu 218 çalışma ile Çin’in izlediğini ortaya koymaktadır. Diğer önemli katkıda bulunanlar arasında Birleşik Krallık (60 çalışma), Almanya (52) ve Hindistan (40) yer almaktadır. Kanada, Güney Kore, Avustralya, Japonya ve çeşitli Avrupa ülkelerinde de daha küçük araştırma faaliyet kümeleri görülmekte olup, bu da çeşitli bir küresel araştırma ağının ortaya çıktığını göstermektedir. Bu dağılım, Kuzey Amerika ve Asya’nın, özellikle Amerika Birleşik Devletleri ve Çin’in, önemli teknolojik kapasiteleri, finansman altyapıları ve endüstriyel dijitalleşme girişimleri nedeniyle yapay zeka destekli iş güvenliği alanındaki araştırma ortamına hakim olduğunu göstermektedir. Bu arada, Avrupa, kavramsal gelişim, etik çerçeveler ve düzenleyici perspektiflere önemli katkılar sağlayarak ikincil bir inovasyon merkezi oluşturmaktadır. Teknolojik olarak gelişmiş ülkelerden gelen liderlik ve Kuzey Amerika, Doğu Asya ve Batı Avrupa gibi bölgelerden artan katılım, endüstriyel güvenlikte yapay zeka araştırmalarının giderek küreselleşen doğasını vurgulamaktadır. Bu coğrafi çeşitlilik, ortaya çıkan çözümlerin sağlamlığını ve farklı bağlamlarda uygulanabilirliğini artırarak, bunların farklı düzenleyici rejimlere, endüstriyel yapılara ve dijital olgunluk seviyelerine uyarlanabilmesini sağlar.
3.3 . Anahtar kelime birlikte geçme ağı analizi
Üretimde sağlık ve güvenlik alanında GAI’nin uygulanmasına ilişkin temel araştırma temalarını belirlemek için VOSviewer kullanılarak bir anahtar kelime eşdizimlilik ağ analizi yapıldı. Belge başına en az on anahtar kelime eşdizimliliği eşiği belirlendi ve tutarlılığı sağlamak için eş anlamlı terimler standartlaştırıldı; örneğin, “yapay zeka” yerine “AI”, “büyük dil modelleri” yerine “LLM” ve “üretken yapay zeka” yerine “AI” kullanıldı. İyileştirme sonrasında, 128 anahtar kelime dahil etme kriterlerini karşıladı. Görselleştirme, Şekil 3’te gösterildiği gibi üç ana küme belirledi . Kırmızı küme, GAI’nin metodolojik çekirdeğini temsil eden ve otomasyonu ve bilgi işlemeyi iyileştirmek için model optimizasyonu ve anlamsal öğrenmeyi kapsayan LLM, NLP ve prompt mühendisliği gibi terimleri içeren hesaplamalı ve dilbilimsel temellere odaklanmaktadır. Yeşil küme, GAI’nin endüstriyel ve güvenlik bağlamlarında iş gücü eğitimi, iletişim ve karar destek alanındaki rolünü gösteren ChatGPT, AI, insan ve tıp eğitimi gibi anahtar kelimelerle uygulama odaklı ve insan merkezli araştırmaları vurgulamaktadır. Mavi küme, elektronik sağlık kayıtları, veri madenciliği ve klinik araştırmalar da dahil olmak üzere veri odaklı sistem entegrasyonuyla ilgilidir ve yapay zekanın sağlık verisi analitiği ve öngörücü güvenlik izleme ile yakınlaşmasını yansıtır. Görselleştirmede, daha kalın çizgiler, anahtar kelimeler arasındaki daha güçlü birlikte geçme ilişkilerini gösterir ve yakından ilgili araştırma kavramlarını ifade eder. Daha büyük daireler, literatürdeki daha yüksek anahtar kelime sıklığını ve merkeziliğini gösterir. Bu örüntüler, üretim sağlığı ve güvenliği için GAI’deki araştırmanın temel model mühendisliği, insan-makine işbirliği ve entegre veri yönetimini kapsadığını göstermektedir. Bulgular, GAI’nin algoritmik yenilikten pratik, veri odaklı uygulamalara dönüştürülmesine yönelik artan bir odağı göstermektedir. Bu tür uygulamalar, işyeri güvenliğine, öngörücü risk değerlendirmesine ve uyarlanabilir eğitim sistemlerine katkıda bulunur.
Şekil 3. Anahtar kelime birlikte geçme ağı analizi
Şekil 3’teki anahtar kelime kümelerinin olgunluk düzeyi analizi, bunların endüstriyel uygulamaya yönelik pratik hazır oluşlarını daha da aydınlatmaktadır. LLM, NLP, prompt mühendisliği, hesaplamalı dilbilim, karşılaştırmalı öğrenme ve performans gibi kırmızı kümedeki anahtar kelimeler, metodolojik gelişmeyi gösteren laboratuvar tabanlı veya kavramsal araştırmaları temsil etmektedir. Eğitim, insan, teşhis, radyolog ve tıbbi bilgi gibi yeşil kümedeki çeşitli anahtar kelimeler, yapay zeka araçlarının kontrollü veya yarı uygulamalı bağlamlarda değerlendirildiği pilot ölçekli uygulamaları göstermektedir. Elektronik sağlık kayıtları, veri çıkarma, eğitim veya klinik araştırma gibi mavi kümedeki terimlerin yalnızca sınırlı bir alt kümesi, endüstriye yakın entegrasyonu göstermekte olup, bu uygulamalar öncelikle sağlık hizmetleriyle sınırlıdır.
3.4 . Güvenlik için yapay zekada tematik alan
Seçilen 52 çalışmada belirlenen GAI ve LLM’lerin çeşitli uygulamalarını kategorize etmek ve yorumlamak için tematik bir analiz yapılmıştır. Bu analiz, endüstriyel güvenlik alanındaki araştırmaların, tahmine dayalı analitik ve uyarlanabilir eğitimden uyumluluk dokümantasyonuna ve alanlar arası yeniliğe kadar nasıl geliştiğini anlamak için çok önemlidir. Sınıflandırma, iş güvenliğinde mevcut yapay zeka araştırma yörüngelerini şekillendiren hem teknolojik güçlü yönleri hem de düzenleyici boşlukları ortaya koymaktadır. Tablo 1 , çalışmaların dört ana alandaki tematik dağılımını sunmaktadır: olay tahmini ve tespiti, eğitim ve davranış değişikliği, uyumluluk ve dokümantasyon ve karma veya kesişen alanlar. Bu kategoriler, yapay zeka uygulamalarının en yoğun olduğu yerleri ve dengeli, OSHA uyumlu bir uygulama elde etmek için daha fazla araştırmaya ihtiyaç duyulan yerleri göstermektedir.
Tablo 1. Endüstriyel uygulamalar için yapay zeka alanı
|
3.4.1 . Olay tahmin ve tespiti için yapay zeka
Olay tahmini ve tespiti, analiz edilen çalışmaların %42,31’ini temsil eden baskın tematik alan olarak ortaya çıktı. Bu alan, LLM’lerin ve hızlı mühendisliğin, akıllı, veri odaklı mekanizmalar aracılığıyla tehlike tanımlama, risk tahmini ve olay izleme alanlarında nasıl devrim yarattığına odaklanmaktadır. Birçok çalışma, bilgiye dayalı yönlendirme stratejilerinin entegrasyonunun, raporlar, kayıtlar ve bakım anlatımları gibi yapılandırılmamış veri kaynaklarından güvenlik tehlikelerini tespit etmede bağlamsal anlayışı ve doğruluğu önemli ölçüde iyileştirdiğini göstermiştir. Örneğin, Hu vd. (2024), bağlamsal anlayışı ve sınıflandırma performansını iyileştirmek için alan özel bilgisini yönlendirme tasarımına entegre ederek, sosyal medyada yasadışı uyuşturucu kaçakçılığı faaliyetlerini tespit etmek için bilgiye dayalı bir ChatGPT çerçevesi tanıtmıştır [35] . Yaklaşımları, temel modellere kıyasla tespit doğruluğunda %12’lik bir iyileşme göstermiştir. Benzer şekilde, Workman vd. (2024), yapılandırılmamış elektronik sağlık kayıtlarından (EHR) kalp yetmezliği semptomlarını ve belirtilerini çıkarmak için sıfır atışlı ve az atışlı yönlendirme teknikleriyle ChatGPT-4’ü uyguladı ve %90,6’lık bir hassasiyet, %100’lük bir geri çağırma ve %95’lik bir F1 puanı elde ederek geleneksel kural tabanlı ve makine öğrenimi temellerini önemli ölçüde geride bıraktı [36] . Bu metodolojik ilerleme, anlatı verilerinden karmaşık kalıpları ve bağlamsal ipuçlarını tanımada LLM’lerin uyarlanabilirliğinin altını çizmektedir; bu yaklaşım, endüstriyel güvenlik raporlaması ve olay tahmin görevlerine doğrudan aktarılabilir. İncelenen literatürde, bağlamsal çıkarımı ve tahmin modellemesini geliştirmek için sıklıkla tek atışlı, az atışlı ve düşünce zinciri yönlendirmesi kullanılmıştır. Tek atışlı ve az atışlı yönlendirmede, modele akıl yürütmesini yönlendirmek için bir veya az sayıda örnek verilir; bu da etiketlenmiş güvenlik verileri sınırlı olduğunda bile etkili kalıp tanımayı sağlar. Bunun aksine, düşünce zinciri yönlendirmesi, modelin adım adım akıl yürütme üretmesini teşvik ederek tehlike değerlendirmesinde şeffaflığı ve yorumlanabilirliği artırır [37] . Bu teknikler, LLM’lerin risk göstergeleri, çevresel ipuçları ve insan faktörleri arasındaki gizli korelasyonları belirlemesini sağlayarak, reaktif değil proaktif bir güvenlik yönetimi için temel oluşturur.
3.4.2 . Eğitim ve davranış için yapay zeka
İncelenen çalışmaların %26,92’sini kapsayan ikinci büyük araştırma kümesi, iş güvenliği bağlamlarında eğitim ve davranışsal dönüşüm için yapay zekanın uygulanmasına odaklanmıştır. Bu çalışma grubu, uyarlanabilir öğrenmeyi, güvenlik bilincini ve insan-yapay zeka işbirliğini teşvik edebilen bir eğitim aracı olarak yapay zekanın rolünü vurgulamaktadır. Sıfır atış, az atış ve düşünce zinciri yönlendirmesi de dahil olmak üzere yönlendirme mühendisliği stratejilerini kullanan Öğrenme Öğrenme Modelleri (LLM’ler), eğitim materyallerini kişiselleştirme ve geri bildirimi öğrenenlerin bireysel bağlamlarına uyarlama yeteneğini göstermiştir. Örneğin, Chuayrod vd. (2024), sürdürülebilir kalkınma ile ilgili eğitim görevlerinde çeşitli LLM’leri değerlendirmiş ve az atış yönlendirmesiyle birleştirilmiş GPT-4’ün karmaşık bağlamsal öğrenme için en yüksek hassasiyet, geri çağırma ve F1 puanına ulaştığını göstermiştir [38] . Benzer şekilde, Song vd. (2024), yaşlı kullanıcılar için bağlam duyarlı, kullanıcıya uyarlanabilir yardım sağlamak üzere çok modlu LLM’leri artırılmış gerçeklikle entegre eden ElderEase AR sistemini önermiştir [39] . Yaptıkları pilot çalışma, kullanılabilirlik ve katılımda önemli kazanımlar ortaya koyarak, çok modlu yapay zeka destekli öğrenme ortamlarının bilişsel ve davranışsal sonuçları iyileştirme potansiyelini vurguladı.
3.4.3 . Uyumluluk ve dokümantasyon için yapay zeka
Uyumluluk ve dokümantasyon, analiz edilen çalışmaların yalnızca %7,69’unu oluşturan en az araştırılmış alan olarak ortaya çıktı. Bu alan, genellikle tekrarlayan ve zaman alıcı olan güvenlik denetimleri, denetim raporlaması ve düzenleyici dokümantasyonun otomasyonu için LLM’lerin uygulanmasına odaklanmaktadır. Birçok çalışma, yapay zekanın, verimlilik ve tutarlılığı artırılmış uyumluluk özetleri ve denetim raporları oluşturma potansiyelini göstermiştir. Huo ve ark. (2025), 137 chatbot tabanlı sağlık tavsiyesi çalışmasının geniş ölçekli bir incelemesinde, bunların üçte birinden azının düzenleyici veya güvenlik hususlarını yeterince ele aldığını ve neredeyse %99’unun standartlaştırılmış raporlama veya anlık mühendislik şeffaflığından yoksun olduğunu ortaya koymuştur [40] . Bu gözlem, yapay zeka uygulamalarının genellikle otomasyona vurgu yaptığı ancak düzenleyici kıyaslama ve hesap verebilirlik mekanizmalarından yoksun olduğu endüstriyel güvenlik bağlamına paraleldir. Yetersiz temsil edilmesine rağmen, bu alan önemli stratejik değere sahiptir. Sağlık sektöründeki Chatbot Değerlendirme Raporlama Aracı (CHART) benzeri standartlaştırılmış değerlendirme araçlarının geliştirilmesi, güvenlik dokümantasyonu için LLM’lerin OSHA uyumlu dağıtımına rehberlik edebilir [41] . Şeffaflığı, izlenebilirliği ve etik denetimi güçlendirmek, bu araçları güvenilir, uyumlu ve denetlenebilir güvenlik yönetim sistemlerine dönüştürmek için şart olacaktır.
3.4.4 . Karma etki alanı
Toplamın %23,08’ini temsil eden on iki çalışma, yönetişim, adalet, kıyaslama ve klinik güvenlik sistemleri de dahil olmak üzere yapay zekanın disiplinler arası ve yeni ortaya çıkan uygulamalarını araştırdı. Bu çalışmalar, sağlık, iletişim ve endüstriyel alanlarda uygulanan yapay zeka yönetişim çerçevelerini, önyargıdan haberdar NLP mimarilerini ve değerlendirme modellerini inceledi. Özellikle Reason ve ark. (2025), sağlık ekonomisi ve sonuç araştırmalarında şeffaflığı, tekrarlanabilirliği ve hesap verebilirliği artırmada GAI ve LLM’lerin potansiyelini vurgulayarak, düzenlenmiş ortamlarda güvenilirliği sağlamak için sağlam güvenlik, doğrulama ve etik yönetişim protokollerine duyulan ihtiyacı vurguladı [42] .
3.5 . Yöntemler ve Yapay Zeka Teknolojileri
3.5.1 . Yöntemler
Metodolojik analiz, araştırma tasarımında önemli bir çeşitlilik olduğunu ortaya koyarak, alanın kavramsal keşiften ampirik doğrulamaya geçiş yaptığını gösterdi. Deneysel çalışmalar, incelenen çalışmaların %24’ünden fazlasını oluşturarak en büyük grubu oluşturdu ve hızlı mühendislik stratejilerinin, model doğruluğunun ve yapay zeka destekli güvenlik iş akışlarının değerlendirilmesine odaklandı. Örneğin, Jiang vd. (2025), 648 vaka çalışmasıyla, tek seferlik, az seferlik ve düşünce zinciri stratejilerini kullanan yapılandırılmış hızlı mühendisliğin, büyük dil modeli çerçevelerinde karmaşık modelleme görevlerini verimli bir şekilde otomatikleştirebileceğini ve LLM güdümlü otomasyonun teknik ve düzenleyici alanlarda ölçeklenebilirliğini doğruladığını gösterdi [43] . Benzer şekilde, Wu vd. (2025) ve Ahuja vd. (2025), model yorumlanabilirliği ve bağlamsal yönlendirme üzerine kontrollü deneyler yürüterek, üretken güvenilirlik ve göreve özgü uyarlanabilirlikte tutarlı kazanımlar gösterdi [44] .
3.5.2 . Yapay Zeka Teknolojileri
Analiz edilen çalışmalardaki teknolojik ortam, 52 makalenin 47’sinde (%87) kullanılan GAI ve LLM’lerin güçlü bir hakimiyetini göstermektedir. Bu sistemler, güvenlik açısından kritik uygulamalar için yapılandırılmamış verileri işleme esneklikleri ve yetenekleriyle güncel güvenlik araştırmalarının temelini oluşturmaktadır. Bunlar arasında, 21 çalışma (%39), bağlamsal anlayışı iyileştirmek ve doğruluğu artırmak için yönlendirme mühendisliğini kullanmıştır; adım adım, düşünce zinciri ve alana özgü yönlendirme en etkili stratejiler olarak ortaya çıkmıştır. Örneğin, Özen vd. (2025), LLM’ler içindeki yapılandırılmış yönlendirmenin, büyük metin külliyatlarından kimyasal gıda güvenliği tehlikelerini çıkarmada %93’ün üzerinde doğruluk elde ettiğini göstermiş ve güvenilir bilgi çıkarımı için yönlendirme optimizasyonunun gücünü vurgulamıştır [45] . Bu arada, Reason vd. (2025), yüksek riskli karar verme süreçlerinde GAI uygularken düzenleyici şeffaflık, tekrarlanabilirlik ve etik gözetimin gerekliliğini vurgulamış; bu ilkeler OSHA uyumlu güvenlik yönetimi için de aynı derecede kritiktir [42] . Bu teknolojik model, araştırmanın büyük ölçüde metin merkezli ve deneysel kaldığını, tam durumsal zekâ yerine LLM tabanlı akıl yürütmeye odaklandığını göstermektedir. Özen vd. (2025) ve Reason vd. (2025) tarafından vurgulandığı gibi, çok modlu, alan temelli yapay zekâ ve düzenleyici doğrulama süreçlerine doğru ilerlemek, teorik yenilikten uygulanabilir, denetlenebilir güvenlik ekosistemlerine geçiş için çok önemlidir.
3.6 . Çalışmalar genelinde değerlendirme ölçütleri
Bu analiz, değerlendirme metodolojilerinde önemli bir çeşitlilik ortaya koyarken, nicel performans ölçütlerine baskın bir şekilde güvenildiğini gösterdi. Doğruluk, 12 çalışmada (%22,2) en sık bildirilen gösterge olurken, bunu 8 çalışmada (%14,8) F1 puanı, 7 çalışmada (%13,0) geri çağırma ve 6 çalışmada (%11,1) hassasiyet izledi. Hassasiyet-geri çağırma ölçümleri 4 çalışmada birleştirilmiş olarak uygulanırken, özgüllük, ROC-AUC ve yanıt süresi her biri 2 çalışmada yer aldı. Empati veya yorumlanabilirlik puanlaması gibi nitel veya insan merkezli değerlendirmeleri içeren çalışmaların sayısı çok azdı ve bu da tüm çalışmaların %2’sinden azını temsil ediyordu. Trad ve Chehab (2024), kimlik avı tespiti için LLM’leri ince ayar yaparken %97’nin üzerinde F1 puanları ve %99’un üzerinde AUC’ler bildirdi ve bu tür standartlaştırılmış ölçütlerin güvenlik açısından kritik alanlarda yapay zeka doğrulama çerçevelerine nasıl hakim olduğunu vurguladı [46] . Bu önlemler hesaplama hassasiyetini etkili bir şekilde değerlendirse de, uyumluluk doğrulaması, yorumlanabilirlik veya insan-yapay zeka sorumluluğu gibi iş güvenliği açısından hayati önem taşıyan pratik ve düzenleyici sonuçları yakalayamamaktadır.
3.7 . Sektör odaklılık
Analiz, yapay zekâ ve üretken sistemlerin güvenlik uygulamalarının çeşitli sektörlere yayıldığını ve eşit olmayan bir şekilde dağıldığını ortaya koydu. Çalışmaların en büyük payı (%33) genel endüstriye odaklanmış olup, belirli bağlamlara bağlı olmayan sektörler arası bulgular sunmaktadır. Sağlık sektörü bunu yakından takip etmektedir (%25), bu da klinik tanı ve ruh sağlığı izleme gibi güvenlik açısından kritik uygulamalar için yapay zekânın hızla benimsenmesini yansıtmaktadır. Örneğin, Shin ve ark. (2025), LLM’lerin kullanıcı tarafından oluşturulan günlük metinlerinden depresyonu güvenilir bir şekilde tespit edebildiğini göstermiş, dijital ruh sağlığı taramasındaki potansiyellerini doğrulamış ve sağlık ortamlarında psikolojik refahı ve insan güvenliğini korumada yapay zekânın genişleyen rolünün altını çizmiştir [47] . Buna karşılık, inşaat ve imalat sektörleri sırasıyla çalışmaların yalnızca %10 ve %5’ini oluşturarak yetersiz temsil edilmiştir. Petrol ve gaz, ulaşım, siber güvenlik ve eğitim gibi diğer alanlar ise her biri %3’ten daha az bir paya sahiptir. Bu dengesizlik, sağlık sektörünün güvenlik araştırmalarında GAI için birincil test alanı haline gelirken, yüksek fiziksel riskler ve düzenleyici karmaşıklıkla karşı karşıya kalan endüstrilerin yeterince araştırılmadığını göstermektedir. Bu eşitsizliğin giderilmesi, imalat ve inşaat gibi yüksek riskli sektörlerde gerçek dünyada etki yaratmak için yapay zeka destekli tehlike tahmini, OSHA uyumluluk izleme ve süreç güvenliği optimizasyonunu entegre eden hedefli araştırmalar gerektirmektedir. Bu eğilimler, bir sonraki tartışma bölümünde incelenen daha geniş kapsamlı sonuçlar ve sınırlamalar için temel oluşturmaktadır.
4. Tartışma
Çalışma, işçilerin güvenliği ve sağlığını geliştirmede GAI ve LLM’lerin kullanımına ilişkin araştırmaları incelemek için bibliyometrik, bilimsel ve sistematik inceleme yöntemlerinin kapsamlı bir araştırmasını sunmaktadır. Şekil 2 (a)’da gösterilen yıllık yayın eğilimlerinin analizi, özellikle son üç yılda, 2025’e kadar uzanan bir süreçte, iş sağlığı ve güvenliğinde GAI uygulamalarına ilişkin bilimsel çıktıda hızlı bir ivme olduğunu ortaya koymaktadır. Bu hızlı büyüme, yapay zeka teknolojilerinin erken kavramsal keşiften, güvenlik açısından kritik ortamlarda pratik, gerçek dünya uygulamasına doğru evrimini yansıtmaktadır. Bu gidişat, araştırma odağının otomasyon ve verimliliği artırmaktan insan merkezli güvenlik çözümlerini geliştirmeye doğru kademeli olarak kaydığı daha geniş endüstriyel yapay zeka gelişmelerine paraleldir [48] . Artan araştırma hacmi, tehlike tahmini, uyumluluk dokümantasyonu ve endüstriyel işçiler için uyarlanabilir güvenlik eğitimi uygulamaları da dahil olmak üzere GAI’nin genişleyen rolünün altını çizmektedir. Coğrafi olarak, araştırma ortamı, Şekil 2 (b)’de gösterildiği gibi, başta Amerika Birleşik Devletleri, Çin ve Birleşik Krallık olmak üzere, teknolojik olarak gelişmiş birkaç ekonomide yoğunlaşmış durumda olup, yapay zeka araştırma kapasitesi ve erişiminde küresel eşitsizlikleri göstermektedir. Fisher ve ark. (2023)’ün gözlemlediği gibi, iş güvenliğinde yapay zekanın benimsenme hızı bölgeler arasında önemli ölçüde değişmekte ve endüstriyel dijital olgunlukla güçlü bir şekilde ilişkilidir [49] . Sonuç olarak, gelişmiş ekonomiler metodolojik standartları ve düzenleyici çerçeveleri şekillendirmeye devam ederken, gelişmekte olan bölgeler yapay zeka odaklı güvenlik inovasyonunun küresel yayılımında geride kalma riskiyle karşı karşıyadır. Bölgeler arası ve disiplinler arası işbirliğini teşvik etmek, bu eşitsizlikleri azaltabilir ve GAI odaklı güvenlik faydalarının dünya çapında yüksek riskli ve yeterince temsil edilmeyen sektörlere aktarılmasını sağlayabilir. Yayın eğilimlerinin ötesinde, GAI, örneğin, ramak kala olay raporlamasını otomatikleştirme, OSHA uyumlu güvenlik kontrol listeleri oluşturma ve üretim ortamlarında olay kayıtlarını özetleme gibi pratik iş akışlarını geliştirmeye başlamıştır [15] .
Şekil 3’teki anahtar kelime birlikte geçme analizi, metodolojik, insan merkezli ve veri entegrasyonu alanlarına karşılık gelen üç farklı küme belirlemiştir. Dilbilgisi modellerini (LLM), doğal dil işlemeyi (NLP) ve istem mühendisliğini vurgulayan kırmızı küme, GAI’nin hesaplamalı temelini temsil eder. Bu alanda, optimizasyon ve semantik modelleme otomasyonu ve akıllı akıl yürütmeyi kolaylaştırır. Yeşil küme ise ChatGPT, yapay zeka, insan faktörleri ve tıp eğitimine odaklanarak, üretken modellerin iş gücü güvenliğiyle ilgili etkileşimli eğitim ve karar destek sistemlerinde uygulanmasını vurgular. Toplu olarak, bu kümeler, iş güvenliği için GAI’nin algoritmik deneylerden veri odaklı, insan etkileşimli uygulamalara doğru evrim geçirdiğini göstermektedir. Teknik ve insan merkezli terimlerin sık birlikte geçmesi, hesaplamalı zekanın insan yargısını güçlendirdiği, böylece durumsal farkındalığı, eğitim kişiselleştirmesini ve tehlike tahminini iyileştirdiği yeni bir paradigmaya işaret etmektedir. Daha da önemlisi, olgunluk düzeyi analizi, kümelerin hiçbirinin OSHA uyumluluğu, güvenlik denetimi, makine koruma uygulaması veya düzenleyici dokümantasyonla ilgili anahtar kelimeler içermediğini göstermiştir; bu da GAI araştırmasının henüz gerçek dünya düzenleyici veya işyeri güvenliği gereksinimleriyle kesişmediğini ortaya koymaktadır. Bu olgunluk açığı, bu çalışmada önerilen pilot çalışmanın ( Şekil 4 ) özel odak noktası olan OSHA ile uyumlu, çok modlu ve pratik olarak uygulanabilir bir yapay zeka çerçevesine duyulan ihtiyacı vurgulamaktadır.
Şekil 4. İşyeri güvenliğinin iyileştirilmesi için üretken yapay zekayı OSHA uyumlu uyumluluk doğrulaması ve insan müdahalesi içeren geri bildirimle entegre eden önerilen pilot çalışma çerçevesi .
Tablo 1’deki tematik analiz, endüstriyel güvenlikte yapay zeka uygulamalarının esas olarak olay tahmini ve tespiti üzerine odaklandığını ortaya koymuştur. Analiz edilen çalışmaların neredeyse yarısı, tahmine dayalı analitik, gerçek zamanlı izleme ve akıllı tehlike tanımlamasını hedeflemektedir. Bu bulgu, tahmine dayalı yapay zekayı iş güvenliğinde en olgun ve etkili uygulama alanı olarak tanımlayan son makalelerle [50] , [51] örtüşmektedir . Veriye dayalı tehlike tahminine ve risk modellemesine verilen önem, yapay zekanın güvenlik yönetimini reaktif raporlamadan proaktif önlemeye kaydırmadaki rolünü göstermektedir. Bununla birlikte, çoğu tahmine dayalı sistem teknik odaklı kalmakta ve OSHA gibi düzenleyici çerçevelere karşı kıyaslama eksikliği göstermektedir; bu da yüksek riskli sektörlerde güvenilir bir dağıtım sağlamak için daha güçlü bir yönetim entegrasyonuna ihtiyaç duyulduğunu göstermektedir.
İkinci büyük çalışma kümesi, yapay zekanın eğitim ve davranış değişikliği için eğitici ve kültürel bir kolaylaştırıcı olarak rolünü vurgulamaktadır. Üretken modeller ve hızlı mühendislik stratejileri, uyarlanabilir öğrenmeyi destekler ve güvenlik yetkinliklerini güçlendirir; bu da LLM’lerin güvenlik kültürü gelişiminde dijital mentorlar olarak işlev görebileceğini göstermektedir. Benzer kalıplar, Meyer ve Elsweiler (2025) [52] tarafından da rapor edilmiştir ; burada konuşma tabanlı yapay zekanın kişiselleştirme yoluyla katılımı ve öğrenme sonuçlarını iyileştirdiğini gözlemlemişlerdir. Son olarak, karma veya kesişen alanlardaki çalışmalar daha geniş yönetişim, etik ve şeffaflık konularını incelemiştir. Bu çalışmalar, güvenlik açısından kritik uygulamalarda sorumlu ve açıklanabilir yapay zeka çerçeveleri çağrısında bulunmaktadır.
Metodolojik ve yapay zeka teknolojisine dayalı bulgular, endüstriyel güvenlikte yapay zekanın durumunu ve yönünü tanımlamıştır. Deneysel tasarımların ve pilot çalışmaların baskınlığı, alanın teoriden operasyonel yapay zeka çözümlerine doğru ilerlediğini göstermektedir; bu eğilim, daha geniş yapay zeka iş yeri güvenliği analizlerinde de yankı bulmaktadır. Örneğin, yakın zamanda yapılan sistematik bir inceleme, çoğu çalışmanın kavram kanıtı aşamasında kaldığını ve ölçülen güvenlik sonuçlarına sahip gerçek dünya müdahaleleri yerine tahmine dayalı modellemeye odaklandığını bulmuştur [50] . Teknolojik açıdan, gözlemimiz, çalışmaların büyük çoğunluğunun GAI/LLM’leri kullandığı yönündedir. Bunların yaklaşık %39’u, güvenlik-yapay zeka araştırmalarında dil odaklı, genel amaçlı modellere doğru kaymaya paralel olarak, anlık mühendislik kullanmaktadır. Bu, tehlike tespiti, güvenlik eğitimi ve güvenlik raporu oluşturmada LLM’lerin hızlı benimsenmesini kaydeden son çalışmalardan elde edilen bulgularla paralellik göstermektedir [53] . Geri alma ile güçlendirilmiş üretim (RAG), IoT/giyilebilir cihazlar, çok modlu yapay zeka ve ince ayarın nispeten düşük kullanımı, birçok uygulamanın metin merkezli ve kısıtlı kaldığını göstermektedir. Henüz durumsal, çok modlu endüstriyel ortamlara tam olarak entegre olmuş değiller.
Değerlendirme ölçütlerinin analizi, endüstriyel güvenlik alanındaki çoğu yapay zeka ve üretken model çalışmasının algoritmik performansa odaklandığını göstermektedir. Doğruluk, F1-skoru, geri çağırma ve hassasiyet gibi nicel göstergelere yoğun bir şekilde güvenilmektedir; bu da düzenleyici ve operasyonel uygunluktan ziyade hesaplama başarısını önceliklendiren bir teknik doğrulama kültürünü ortaya koymaktadır. Bu eğilim, yapay zeka araçlarının çoğunlukla geleneksel makine öğrenimi kıyaslama ölçütleriyle değerlendirildiği iş güvenliği literatüründe de görülmektedir. Sonuç odaklı ölçümler daha az sıklıkla kullanılmaktadır [54] . Çoğu çalışma tahmin doğruluğunu değerlendirir ancak iyileştirmelerin daha az iş yeri olayına veya daha iyi uyumluluğa yol açıp açmadığını nadiren doğrular. Uzman değerlendirmesi, yorumlanabilirlik ve güven gibi nitel ve insan merkezli ölçütlerin kullanımı sınırlıdır. Bu, algoritmik performans ile güvenlik açısından kritik ortamlar için gerekli olan insan faktörleri arasında bir boşluk olduğunu göstermektedir. Yapay zeka sistem güvenilirliği üzerine yapılan son çalışmalar, değerlendirme çerçevelerinin teknik ölçütlerin ötesine bakması gerektiğini vurgulamıştır. Kullanılabilirlik, açıklanabilirlik ve güvenlik güvencesi göstergelerini içermelidirler [55] . Bu tür çok boyutlu değerlendirmeler olmadan, yüksek doğruluklu modeller gerçek dünya uygulanabilirliğini abartabilir. Pratik bir mühendislik perspektifinden bakıldığında, bu, mevcut yapay zeka sistemlerinin henüz endüstri için en önemli ölçütler olan güvensiz eylemlerin azaltılması, denetim döngüsü sürelerinin iyileştirilmesi veya OSHA kayıtlarına geçen kaza sayısının azaltılması gibi ölçütler üzerinden değerlendirilmediği anlamına gelir. Bu operasyonel ölçütlerin oluşturulması, GAI’nin güvenlik yönetim sistemlerine sorunsuz entegrasyonu ve uygulayıcılara yatırım getirisinin gösterilmesi için çok önemlidir.
Sektöre özgü araştırma dağılımına ilişkin bulgular, çalışmaların ağırlıklı olarak genel endüstri ve sağlık sektörlerini hedeflediğini ve yapay zeka kullanımının, nispeten daha düşük fiziksel tehlike karmaşıklığına sahip, veri açısından zengin ve dijital olarak olgun ortamlarda yoğunlaştığını göstermektedir. Bu eğilim bir dengesizliği vurgulamaktadır: imalat OSHA öncelikli bir sektör olarak kabul edilse de, imalat ortamlarında işçi güvenliği için yapay zeka uygulaması sınırlı ve yeterince araştırılmamıştır [15] . Mevcut birçok yapay zeka destekli güvenlik aracı, kontrollü veya düşük riskli ortamlar için tasarlanmıştır ve bu nedenle, tehlikelerin çok yönlü olduğu, uyumluluk standartlarının katı olduğu ve insan-makine etkileşimlerinin dinamik ve öngörülemez olduğu imalat ve inşaat gibi yüksek riskli endüstriyel bağlamlara uyarlanabilirlik açısından yetersizdir. Bu yüksek riskli sektörlerin yetersiz temsil edilmesi, mevcut araştırma odağı ile düzenleyici veya pratik güvenlik öncelikleri arasında kritik bir kopukluğa işaret etmektedir. El-Helaly’nin (2024) belirttiği gibi, daha geniş iş güvenliği alanı, yapay zeka araçlarını henüz yerinde endüstriyel iş akışlarına tam olarak entegre edememiştir ve bu da kaza önleme ve uyumluluk yönetimi üzerindeki gerçek dünya etkilerini sınırlamaktadır [56] . Bu açığı kapatmak, yapay zeka çözümlerinin yalnızca teknolojik olarak uygulanabilir değil, aynı zamanda en büyük güvenlik zorluklarıyla karşı karşıya olan sektörler için operasyonel olarak da uygun olmasını sağlamak amacıyla hedefli araştırmalar ve sektörler arası iş birliği gerektirir. Kilitleme-etiketleme prosedürleri, kapalı alan giriş koordinasyonu ve vardiya bazlı tehlike bilgilendirmeleri gibi gerçek dünya üretim iş akışları, adım adım rehberlik üretebilen, eksik adımları belirleyebilen veya OSHA standartlarıyla uyumluluğu kontrol edebilen GAI destekli asistanlardan önemli ölçüde fayda sağlayabilir.
4.1 . Sınırlamalar, geleceğe yönelik öneriler ve pilot çalışma çerçevesi
Bu kapsamlı analizin çeşitli sınırlamaları vardır. Birincisi, incelenen çalışmalar yalnızca iki büyük veri tabanından, Scopus ve Web of Science’tan gelmektedir. Bu durum, IEEE Xplore, PubMed veya SpringerLink gibi diğer kaynaklardan gelen ilgili araştırmaları dışlamış olabilir. İkincisi, önemli bir sektörel dengesizlik mevcuttur: Çalışmaların yalnızca sınırlı bir kısmı imalat veya diğer OSHA öncelikli sektörlere odaklanırken, çoğunluğu sağlık hizmetleri ve genel endüstriyel uygulamaları vurgulamıştır. Bu sektörel önyargı, bulguların karmaşık tehlike dinamikleri ve daha sıkı uyumluluk gereksinimleriyle karakterize edilen yüksek riskli ortamlara genellenebilirliğini kısıtlamaktadır. Bir diğer kritik metodolojik eksiklik ise OSHA ile uyumlu çerçevelerin olmamasıdır. Çok az çalışma, model tasarımı veya doğrulaması sırasında OSHA standartlarına açıkça uymuş, bunları test etmiş veya bunlara atıfta bulunmuştur. Bunun yerine, çoğu, olay oranlarındaki azalma veya düzenleyici uyumluluktaki iyileşmeler de dahil olmak üzere pratik güvenlik sonuçlarını değerlendirmeden, doğruluk veya F1 puanı gibi teknik performans ölçütlerine odaklanmıştır. Bu araştırmaların çoğu kavramsal veya simülasyon tabanlı olup, saha doğrulaması veya uzunlamasına değerlendirme içermemektedir. Sonuç olarak, tehlike tespiti, tahmini ve önlenmesinde gerçek dünyadaki etkinlikleri henüz kanıtlanmamıştır.
Bir diğer sınırlama, GAI ve LLM’lerin gerçek dışı, mantıksal olarak tutarsız veya temel verilerle desteklenmeyen çıktılar olan halüsinasyonlar üretme eğilimidir [57] . OSHA ve endüstriyel güvenlik bağlamında, bu tür halüsinasyonlar, yanlış tehlike tanımlaması veya kusurlu öneriler gibi önemli riskler oluşturabilir ve bu da uyumsuzluğa, yetersiz kontrollere veya güvenli olmayan işçi davranışlarına yol açabilir. Bilgisayar görüşü ve video tabanlı yaklaşımların benimsenmesi de sınırlıydı ve bağlam duyarlı, proaktif risk analizi için GAI sistemlerine görüntü, video ve metin verileri de dahil olmak üzere çok modlu girdileri entegre etme konusunda kullanılmamış bir fırsatın altını çizmektedir. Önceki araştırmalar ayrıca standartlaştırılmış hızlı mühendislik protokollerinin ve tutarsız değerlendirme ölçütlerinin eksikliğini ortaya koyarak parçalı ilerlemeye neden olmaktadır. Yapay zeka modelleri ile güvenlik yönetimi arasındaki bağlantı da zayıftır; GAI çıktılarını tehlike kayıtları, denetim izleri veya düzeltici eylem iş akışları gibi pratik güvenlik araçlarıyla ilişkilendiren çok az çerçeve vardır; bunların tümü OSHA uyumluluğunun ve endüstriyel sorumluluğun temel unsurlarıdır. Toplu olarak ele alındığında, bu sınırlamalar alanın hızlı ancak düzensiz bir şekilde ilerlediğini, parçalı, veri merkezli ve gerçek dünya güvenlik yönetimine yeterince dayanmadığını göstermektedir.
Bu eksiklikleri gidermek için, bu çalışma, OSHA tabanlı bağlam aracılığıyla GAI ve çok modlu yapay zeka sistemlerini ampirik olarak değerlendirmek üzere tasarlanmış, Şekil 4’te gösterilen pilot çerçeveyi önermektedir . Çerçeve, metin, görüntü ve video girdilerini gerçek zamanlı bir OSHA uyumluluk katmanıyla etkileşim kuran bir yapay zeka modülüne entegre eder. Bu mimari içinde, GAI/LLM modelleri, potansiyel tehlikeleri belirlemek, tespit doğruluğuna ve düzenleyici uyumluluğa dayalı risk puanları hesaplamak ve önleyici eylemler için otomatik öneriler oluşturmak üzere çok modlu verileri analiz eder. Süreç, çok modlu veri toplama ile başlar, ardından OSHA uyumlu bir yapay zeka motoru aracılığıyla analiz edilir. Modelin çıktıları, doğruluk, hassasiyet, geri çağırma, F1 puanı ve ROC eğrisi gibi standartlaştırılmış performans ölçütleri kullanılarak değerlendirilir ve şeffaflık ve izlenebilirliği sağlamak için t-SNE görselleştirmesi ve SHAP analizi de dahil olmak üzere açıklanabilirlik teknikleri aracılığıyla daha ayrıntılı olarak incelenir. t-SNE ve SHAP’ı, karmaşık, yüksek boyutlu yapay zeka sistemlerini yorumlamak için yaygın olarak kullanılan, modelden bağımsız açıklanabilirlik araçları oldukları ve özellikle OSHA uyumlu güvenlik değerlendirmesi için değerli olan şeffaf ve sezgisel bilgiler sundukları için önerdik [58] . Çerçeve daha sonra, alan uzmanlarının yapay zeka tarafından oluşturulan önerileri doğrulamasına ve iyileştirmesine ve OSHA düzenlemelerine uyumu sağlamasına olanak tanıyan, insan müdahalesi içeren bir geri bildirim mekanizmasını içerir. Bu aşamada, nitelikli güvenlik yöneticileri, uyumluluk görevlileri veya iş sağlığı uzmanları, yapay zekanın belirlediği tehlikeleri, atanan risk puanlarını ve önerilen kontrol önlemlerini inceler. Geri bildirimleri sistematik olarak kaydedilir ve GAI ve LLM bileşenlerini yeniden eğitmek veya ince ayar yapmak için kullanılır, böylece hem model yorumlanabilirliği hem de bağlamsal doğruluk artırılır.
Önemli olarak, bu yinelemeli insan müdahalesi içeren ve OSHA uyumlu doğrulama süreci, yapay zeka tarafından üretilen çıktıların sürekli olarak düzenleyici kriterlere, alan uzmanlığına ve gerçek dünya tehlike modellerine göre kontrol edilmesini sağlayarak halüsinasyon risklerini doğrudan azaltır. Farquhar ve diğerleri [57] tarafından önerilen semantik entropi yaklaşımına dayanan çerçeve, düşük güven ve artan halüsinasyon olasılığının bir göstergesi olan yüksek semantik entropiye sahip model çıktılarını işaretlemek için belirsizlik izlemeyi içerir. Önceden tanımlanmış entropi eşiklerini aşan çıktılar, güvenlik önerilerine dönüştürülmeden önce otomatik olarak uzman incelemesine yönlendirilir. Modeli yapılandırılmış OSHA kurallarına dayandırarak, şeffaf açıklanabilirlik araçlarını semantik entropi tabanlı belirsizlik değerlendirmesiyle birleştirerek ve her aşamada uzman denetimini dahil ederek, önerilen çerçeve yanlış veya güvenli olmayan önerilerin olasılığını önemli ölçüde azaltır ve düzenleyiciye uyumlu karar desteğinin güvenilirliğini güçlendirir. Sonuç olarak, bu entegre strateji, tekrarlanabilir ve OSHA ile uyumlu değerlendirme standartları için bir temel oluşturarak teknolojik yenilik, endüstriyel güvenlik uygulamaları ve düzenleyici denetim arasındaki boşluğu doldurmaktadır.
5. Sonuç
Bu çalışma, iş sağlığı, güvenliği, tehlike tespiti ve OSHA uyumluluğu alanlarında yapay zekâ (GAI) ve dilsel öğrenme modellerinin (LLM) kapsamlı bir analizini sunmaktadır. Bibliyometrik ve bilimsel ölçüm yöntemlerinin uygulanması ve PRISMA yönergelerine göre seçilen 52 makalenin derinlemesine analizi yoluyla elde edilen bulgular, 2023’ten bu yana ilgili yayınlarda önemli bir artış olduğunu ve Amerika Birleşik Devletleri’nin başlıca katkıda bulunan ülke olarak ortaya çıktığını göstermektedir. Bilimsel ölçüm haritalaması, LLM, NLP, prompt mühendisliği, yapay zekâ ve insan gibi anahtar kelimelerin sık sık birlikte geçtiğini belirleyerek, insan-yapay zekâ işbirliğine ve bağlam duyarlı güvenlik yönetimine doğru bir kaymayı yansıtmaktadır.
Çoğu çalışma, olay tahmini ve tespiti için GAI’yi kullanmış ve model performansını değerlendirmek için doğruluk ve F1 puanı gibi ölçütler kullanmıştır. Bununla birlikte, gerçek dünya güvenlik sonuçlarını, düzenleyici uyumu veya OSHA uyumluluğunu inceleyen az sayıda çalışma bulunmaktadır. Ayrıca, araştırma çabaları ağırlıklı olarak sağlık ve genel endüstriye odaklanırken, OSHA tarafından yüksek riskli olarak sınıflandırılan imalat ve inşaat sektörleri büyük ölçüde yeterince araştırılmamıştır. Bu araştırma dengesizliği, yapay zeka gelişmelerinin etkisinin en önemli olabileceği yüksek riskli, yoğun düzenlemelerin olduğu ortamlarda uygulanmasını kısıtlamaktadır.
Bu eksiklikleri gidermek için, bu çalışma Şekil 4’te gösterilen , metin, görüntü ve video tabanlı tehlike tanımayı GAI ve LLM sistemleriyle entegre eden bir pilot çerçeve önermektedir. Çerçeve, çok modlu veri akışlarını gerçek zamanlı OSHA doğrulamasına bağlayarak, sistemin güvenli olmayan koşulları işaretlemesini, yorumlanabilir risk puanları oluşturmasını ve güvenlik mühendisleri, denetçiler ve saha çalışanları tarafından hemen kullanılabilecek eyleme geçirilebilir düzeltici öneriler sunmasını sağlar. Uygulamada, bu, yapay zekanın otomatik ramak kala olay raporlaması, KKD ve makine koruma kontrolleri, dinamik iş güvenliği analizi güncellemeleri ve imalatta vardiya bazlı tehlike bilgilendirmeleri gibi görevleri desteklemesine olanak tanır. OSHA gerekliliklerini temel alarak ve insan müdahalesini entegre ederek, çerçeve kavramsal modellemenin ötesine geçerek, mevcut endüstriyel güvenlik yönetim sistemlerine entegre edilebilen, uygulanabilir, düzenleyiciye uygun ve insan merkezli güvenlik araçlarına doğru ilerlemektedir. Genel olarak, bu çalışma mevcut araştırma ortamına dair sentezlenmiş bir anlayış sunmakta, temel metodolojik ve sektörel boşlukları belirlemekte ve GAI’nin deneysel prototiplerden güvenilir, iş akışına hazır güvenlik çözümlerine geçişi için pratik, OSHA’ya uygun bir yol sunmaktadır.
Çıkar çatışması beyanı
Yazarlar, bu makalede bildirilen çalışmayı etkilemiş olabilecek bilinen herhangi bir çıkar çatışması veya kişisel ilişkiye sahip olmadıklarını beyan ederler.
Teşekkürler
Bu materyal, Ulusal Bilim Vakfı’nın 2429709 numaralı hibesi kapsamında desteklenen çalışmalara dayanmaktadır. Bu materyalde ifade edilen görüşler, bulgular, sonuçlar veya öneriler yazar(lar)a aittir ve Ulusal Bilim Vakfı’nın görüşlerini yansıtmayabilir.
Referanslar
- [1]
- Vasara , J. Kivistö-Rahnasto
Küresel üretimde güvenlikle ilgili uyumluluk zorluklarının niteliksel bir incelemesi
Ergonomi Biliminde Teorik Sorunlar , 16 ( 2015 ) , s. 429-446 , 10.1080 /1463922X.2015.1033034
Yayıncıda görüntüleScopus ve Google Scholar’da görüntüle
- [2]
- Hammad , M. Panaousis , H. Ali , WA Khan
Ağır Sanayi ve Makine: Akıllı Üretimle Dayanıklılık Oluşturma. Akıllı Üretim Planı: Çeşitli Sektörlerde Endüstri 4.0’da Yolculuk.
Cham: Springer Nature Switzerland ( 2026 ) , ss. 289-321 , 10.1007 / 978-3-032-00214-3_9
- [3]
- Nordlöf , B. Wiitavaara , U. Winblad , K. Wijk , R. Westerling
Büyük bir çelik üretim şirketinde güvenlik kültürü ve risk alma nedenleri: İşçi bakış açısının incelenmesi
Güvenlik Bilimi , 73 ( 2015 ) , s . 126-135
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [4]
- Wang , L. Lv , X. Li , H. Li , J. Leng , Y. Zhang , ve diğerleri.
Endüstri 5.0’ın insan merkezli üretiminde dijital ikiz tabanlı bir güvenlik yönetim yaklaşımı
Üretim Sistemleri Dergisi , 66 ( 2023 ) , ss. 1-12 , 10.1016 / j.jmsy.2022.11.013
PDF’i görüntüleMakaleyi Google Akademik’te görüntüle
MH Rahman , MR Hasan , NI Chowdhury , MAB Syed , MU Farah
Endüstri 5.0’da öngörücü sağlık analizi: İnşaatta hareket yakalama teknolojisinin bilimsel ve sistematik bir incelemesi. Dijital
Mühendislik ( 2024 )
100002
- [6]
- Bründl , C. Wegener , M. Stoidner , J. Bayer , B. Scheffler , HG Nguyen ve diğerleri.
İşçi destek sistemlerinin tasarımı – Metodoloji geliştirme ve endüstriyel doğrulama
Üretim Sistemleri Dergisi , 80 ( 2025 ) , ss. 272 - 293 , 10.1016/j.jmsy.2025.02.022
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
VKR Pabolu , D. Shrivastava , MS Kulkarni
Montaj hattı iş planlamasında işçinin rahat çalışma süresini dikkate alan akıllı bir sistem geliştirilmesi
Üretim Sistemleri Dergisi , 78 ( 2025 ) , ss. 226-243 , 10.1016 / j.jmsy.2024.11.016
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
Üretim sektöründeki iş kazası ve hastalık oranları 2023’te %10 düştü: BLS | Manufacturing Dive https://www.manufacturingdive.com/news/Injury-illness-worker-rate-sank-10-percent-2023-labor-department-bls/732372/ (erişim tarihi: 20 Ekim 2025).
2023 Yılında Yaklaşık 400 İmalat İşçisi İş Kazalarında Hayatını Kaybetti: İşyeri Tehlikelerini Ele Almak İçin Atabileceğiniz 10 Adım. Fisher Phillips ve https://www.fisherphillips.com/en/news-insights/nearly-400-manufacturing-workers-were-killed-on-the-job-in-2023.html (erişim tarihi: 20 Ekim 2025).
İş kazaları istatistikleri nd https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Accidents_at_work_statistics (erişim tarihi: 2 Şubat 2026).
Paliath S. Hindistan’daki Fabrikalarda Her Gün 3 İşçi Ölüyor, Hükümet Verileri 2023’ü Gösteriyor. https://www.indiaspend.com/special-reports/3-workers-die-every-day-in-indian-factories-govt-data-show-850083 (erişim tarihi: 2 Şubat 2026).
- [12]
- Ko , J. Mendeloff , W. Gray
ABD İş Sağlığı ve Güvenliği İdaresi (OSHA) standartlarına uyumda denetim sırasının rolü: Yorumlar ve çıkarımlar
Düzenleme ve Yönetişim , 4 ( 2010 ) , ss. 48-70 , 10.1111 /j.1748-5991.2010.01070.x
Scopus ve Google Scholar’da görüntüle
En Sık Atıf Yapılan 10 Standart | İş Sağlığı ve Güvenliği İdaresi (OSHA) ve https://www.osha.gov/top10citedstandards (erişim tarihi: 20 Ekim 2025).
- [14]
- Martinov-Bennie , A. Cheung , S. O’Neill , K. Wolfe , GB Avustralya
İş sağlığı ve güvenliği bilgilerinin güvence altına alınması ve doğrulanmasında karşılaşılan sorunlar
Avustralya Güvenli Çalışma ( 2014 )
- [15]
- Khurram , C. Zhang , S. Muhammad , H. Kishnani , K. An , K. Abeywardena ve diğerleri.
Üretim Sektöründe İşçi Güvenliğinde Yapay Zeka: Tehlike Önleme ve Azaltma İçin Yeni Bir Paradigma
Süreçler , 13 ( 2025 ) , s. 1312
Crossref Scopus’ta görüntüle Google Scholar
LEJ Roberts , MR Hayns
Risk Değerlendirmesinin Faydalılığına İlişkin Sınırlamalar
Risk Analizi , 9 ( 1989 ) , s. 483-494 , 10.1111 / j.1539-6924.1989.tb01259.x
Scopus ve Google Scholar’da görüntüle
- [17]
- Rivera Domínguez , JI Pozos Mares , RG Zambrano Hernández
İmalat Sektöründeki çalışma alanlarında tehlike tespiti ve analizi, HAZID metodolojisi aracılığıyla gerçekleştirilir.
Proses Güvenliği ve Çevre Koruma , 145 ( 2021 ) , ss. 23-38 , 10.1016 /j.psep.2020.07.049
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [18]
- Kusiak
Akıllı üretimde üretken yapay zeka
J Intell Manuf , 36 ( 2025 ) , s. 1 – 3 , 10.1007/s10845-024-02480-6
Scopus ve Google Scholar’da görüntüle
- [19]
- Shafiee
Üretimde Üretken Yapay Zeka: Son Uygulamalar ve Gelecek Beklentileri Üzerine Bir Literatür İncelemesi
Procedia CIRP , 132 ( 2025 ) , s. 1 – 6 , 10.1016/j.procir.2025.01.001
PDF’i görüntüleMakaleyi Google Akademik’te görüntüle
- [20]
- Costantino , A. Falegnami , L. Fedele , M. Bernabei , S. Stabile , R. Bentivenga
Dijitalleştirilmiş üretim sistemlerinde sağlık ve güvenlik açısından ortaya çıkan yeni ve gelişmekte olan tehlikeler
Sürdürülebilirlik , 13 ( 2021 ) , s. 10948
Crossref Scopus’ta görüntüle Google Scholar
- [21]
- Shahin , A. Hosseinzadeh , FF Chen
Üretimde üretken yapay zekâ: uygulamalar, vaka çalışmaları ve yeni nesil akıllı üretim sistemleri için gelecek yönelimler
Int J Adv Manuf Technol ( 2025 ) , 10.1007/s00170-025-16667-5
- [22]
- Li , S. Liu , B. Wang , C. Yu , P. Zheng , W. Li
İnsan merkezli akıllı üretim için güvenilir yapay zeka: Bir araştırma
Üretim Sistemleri Dergisi , 78 ( 2025 ) , ss. 308-327 , 10.1016 / j.jmsy.2024.11.020
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [23]
- Wang , J. Fan , P. Zheng
İnsan Odaklı Akıllı Üretim için LLM Tabanlı Görsel ve Dil Destekli Kobot Navigasyon Yaklaşımı
Üretim Sistemleri Dergisi , 75 ( 2024 ) , ss. 299-305 , 10.1016 /j.jmsy.2024.04.020
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [24]
- Ren , Y. Liu , T. Ji , X. Xu
Yapay Zeka Ajanları ve Ajan Tabanlı Yapay Zeka – Geleceğin Üretimi İçin Çok Sayıda Kavramı Keşfetmek
Üretim Sistemleri Dergisi , 83 ( 2025 ) , s. 126-133 , 10.1016 / j.jmsy.2025.08.017
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
ZB Akhtar
Üretken Yapay Zekanın (GAI) Evriminin Ortaya Çıkarılması: LLM Modellerine (2021–2024) ve Ötesine Yönelik Kapsamlı ve Araştırmacı Bir Analiz
Elektrik Sistemleri ve Bilgi Teknolojisi Dergisi , 11 ( 2024 ) , s. 22 , 10.1186/s43067-024-00145-1
MAH Mohamed , MKS Al-Mhdawi , U. Ojiako , N. Dacre , A. Qazi , F. Rahimian
İnşaat risk yönetiminde üretken yapay zeka: ilgili fayda ve risklerin bibliyometrik analizi
Kentleşme, Sürdürülebilirlik ve Toplum , 2 ( 2025 ) , ss. 198-230 , 10.1108 /USS – 11-2024-0069
- [27]
- Sivakumar , AB Belle , J. Shan , SK Khakzad
GPT-4’ün otomatik güvenlik durumu oluşturmayı desteklemesi isteniyor.
Uzman Sistemler ve Uygulamaları , 255 ( 2024 ) , Makale 124653 , 10.1016/j.eswa.2024.124653
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
Eğitimde Hızlı Mühendislik: Yaklaşımların ve Eğitim Uygulamalarının Sistematik Bir İncelemesi – Yufeng Qian, 2025 nd https://journals.sagepub.com/doi/abs/10.1177/07356331251365189 (erişim tarihi: 28 Ekim 2025).
Wen H. İkinci Bölüm – Geliştirilmiş güvenlik için insan-yapay zeka işbirliği. Khan FI, Pistikopoulos EN, Sajid Z, editörler. Kimyasal Proses Güvenliğinde Yöntemler, cilt 8, Elsevier; 2024, s. 51–80. Doi: 10.1016/bs.mcps.2024.07.001.
IA Shah , MS Bölümü
6 – Yapay Zeka Çağında İş Sağlığı ve Güvenliğini Yeniden Tasarlamak
- Hamadani , NA Ganai , H. Hamadani , J. Bashir (Eds.) , Yapay Zekaya Bir Biyologun Rehberi , Academic Press ( 2024 ) , ss. 79-96 , 10.1016 /B978-0-443-24001-0.00006-3
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [31]
- Sarkar , RK Paul
Yapay Zeka Güvenliği ve Etik Hususlar
- Sarkar , RK Paul ( Eds.) , Gelişmiş Üretim ve Endüstriyel Uygulamalar için Yapay Zeka , Springer Nature İsviçre , Cham ( 2025 ) , s. 141-154 , 10.1007 /978-3-031-86091-1_6
- [32]
- Yazdi , S. Adumene , D. Tamunodukobipi , A. Mamudu , E. Goleiji
Sanal Güvenlik Mühendisi: Yapay Zeka Çağında Tehlike Tanımlamadan Risk Kontrolüne
- Yazdi (Ed.) , Güvenlik Odaklı Operasyonel Araştırma: Yenilikler ve Bütünleştirici Yaklaşımlar: Karmaşık Sistemlerde Riski Yönetmeye Yönelik Çok Disiplinli Bir Yaklaşım , Springer Nature Switzerland , Cham ( 2025 ) , ss. 91-110 , 10.1007 / 978-3-031-82934-5_5
Scopus ve Google Scholar’da görüntüle
CO Ozobu , FE Adikwu , O. Odujobi , FO Onyeke
Nwulu EO
Tehlike Tespiti ve Maruz Kalma Kontrolü için Kavramsal Bir Çerçeve , Yapay Zeka Destekli İzleme Sistemleriyle İş Güvenliğinin Geliştirilmesi ( 2025 ) , s. 9
- [34]
- Márquez , M. Rodriguez , J. Verdugo , FP Romero , M. Piattini
Uluslararası standartlara dayalı bir Yapay Zeka olgunluk değerlendirme çerçevesi
Yapay Zekanın Mühendislik Uygulamaları , 159 ( 2025 ) , Makale 111637 , 10.1016/j.engappai.2025.111637
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [35]
- Hu , B. Liu , X. Li , Y. Ye , M. Yin
Bilgi odaklı ChatGPT: Sosyal medyada uyuşturucu kaçakçılığı tespitini geliştirme
Bilgi ve Yönetim , 61 ( 2024 ) , Makale 104010 , 10.1016/j.im.2024.104010
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
TE Workman , A. Ahmed , HM Sheriff , VK Raman , S. Zhang , Y. Shao ve diğerleri.
ChatGPT-4, elektronik sağlık kayıtlarından kalp yetmezliği belirti ve semptomlarının çıkarılmasını sağlar.
Kalp Damar Hastalıklarında İlerleme , 87 ( 2024 ) , s. 44-49 , 10.1016 / j.pcad.2024.10.010
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
G.-G. Lee , E. Latif , X. Wu , N. Liu , X. Zhai
Otomatik puanlama için büyük dil modellerinin ve düşünce zincirinin uygulanması
Bilgisayarlar ve Eğitim: Yapay Zeka , 6 ( 2024 ) , Makale 100213 , 10.1016/j.caeai.2024.100213
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [38]
- Chuayrod , S. Soysangwarn , P. Siripathavanich , P. Raknim , N. Ketui
Büyük Dil Modellerinde Hızlı Yanıt Mühendisliğinin Etkisi: Sürdürülebilir Kalkınma Hedefleri Üzerine Bir Vaka Çalışması 19. Uluslararası Yapay Zeka ve Doğal Dil İşleme Ortak Sempozyumu (iSAI-NLP)
Chonburi, Tayland: IEEE , 2024 ( 2024 ) , s. 1 – 6 , 10.1109/iSAI-NLP64410.2024.10799499
- [39]
- Song , Z. Liu , R. Zhao , FJ ElderEase , Ar,
Çok Modlu Büyük Dil Modeli ve Artırılmış Gerçeklik ile Yaşlıların Günlük Yaşamını Geliştirme , ACM , Ningbo Çin ( 2024 ) , ss. 60-67 , 10.1145 /3711496.3711505
- [40]
- Huo , A. Boyle , N. Marfo , W. Tangamornsuksan , JP Steen , T. McKechnie ve diğerleri.
Sohbet Robotu Sağlık Danışmanlığı Çalışmaları için Büyük Dil Modelleri: Sistematik Bir İnceleme
JAMA Netw Açık , 8 ( 2025 ) , Makale e2457879 , 10.1001/jamanetworkopen.2024.57879
Scopus ve Google Scholar’da görüntüle
TC İşbirliği
Sohbet robotu tabanlı sağlık danışmanlığı çalışmaları için raporlama yönergeleri: Sohbet Robotu Değerlendirme Raporlama Aracı (CHART) için açıklama ve detaylandırma
BMJ , 390 ( 2025 ) , Makale e083305
- [42]
- Reason , S. Klijn , W. Rawlinson , E. Benbow , J. Langham , S. Teitsson ve diğerleri.
Sağlık Ekonomisi ve Sonuç Araştırmalarında Üretken Yapay Zekanın Kullanımı: Teknikler ve Çığır Açan Gelişmeler Üzerine Bir Giriş
PharmacoEconomics Open , 9 ( 2025 ) , ss. 501-517 , 10.1007 / s41669-025-00580-4
Scopus ve Google Scholar’da görüntüle
- [43]
- Jiang , Z. Ma , L. Zhang , J. Chen
Otomatik bina enerji modellemesinde büyük dil modelini bilgilendirmek için hızlı mühendislik yaklaşımı.
Enerji , 316 ( 2025 ) , Makale 134548 , 10.1016/j.energy.2025.134548
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
Wu J, Tang X, Yang Z, Hao K, Lai L, Liu Y. Görüntü Sınıflandırmasında LLM’nin Deneysel Değerlendirmesi. İçinde: Chen T, Cao Y, Nguyen QVH, Nguyen TT, editörler. Veritabanı Teorisi ve Uygulamaları, cilt 15449, Singapur: Springer Nature Singapore; 2025, s. 506–18. Doi: 10.1007/978-981-96-1242-0_37.
- [45]
- Özen , W. Mu , ED Van Asselt , LM Van Den Bulk
Büyük dil modelleri kullanarak bilimsel literatürden kimyasal gıda güvenliği tehlikelerini otomatik olarak çıkarma
Uygulamalı Gıda Araştırmaları , 5 ( 2025 ) , Makale 100679 , 10.1016/j.afres.2024.100679
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [46]
- Trad , A. Chehab
Hızlı Mühendislik mi Yoksa İnce Ayar mı? Büyük Dil Modelleriyle Kimlik Avı Tespiti Üzerine Bir Vaka Çalışması
MAKE , 6 ( 2024 ) , ss . 367-384 , 10.3390 /make6010018
Scopus ve Google Scholar’da görüntüle
- [47]
- Shin , H. Kim , S. Lee , Y. Cho , W. Jung
Dijital Ruh Sağlığı Taramasında Yeni Bir Yaklaşım Olarak Kullanıcı Tarafından Oluşturulan Günlük Metin Verilerinden Depresyonu Tespit Etmek için Büyük Dil Modellerinin Kullanılması: Araç Doğrulama Çalışması
J Med Internet Res , 26 ( 2024 ) , Makale e54617 , 10.2196/54617
Scopus ve Google Scholar’da görüntüle
- [48]
- Shneiderman
İnsan Odaklı Yapay Zeka: Güvenilir, Güvenli ve İtibarlı
Uluslararası İnsan-Bilgisayar Etkileşimi Dergisi , 36 ( 2020 ) , ss. 495 – 504 , 10.1080/10447318.2020.1741118
Scopus ve Google Scholar’da görüntüle
- [49]
- Fisher , MA Flynn , P. Pratap , JA Vietas
Yapay Zekanın İş Sağlığı ve Güvenliği Eşitliği Üzerindeki Etkileri: Kapsamlı Bir İnceleme
Uluslararası Çevre Araştırmaları ve Halk Sağlığı Dergisi , 20 ( 2023 ) , s. 6221 , 10.3390/ijerph20136221
Scopus ve Google Scholar’da görüntüle
IA Shah , S. Mishra
İş Sağlığı ve Güvenliğinde Yapay Zekanın Gelişimi: Gelişmelerin Özeti
İş Sağlığı Dergisi ( 2024 )
uiad017
- [51]
- Park , D. Kang
İş Güvenliği Yönetiminde Yapay Zeka ve Akıllı Teknolojiler: Çeşitli Sektörlerde Kapsamlı Bir Analiz
Uygulamalı Bilimler , 14 ( 2024 ) , s. 11934 , 10.3390/app142411934
Scopus ve Google Scholar’da görüntüle
- [52]
- Meyer , D. Elsweiler
Davranış değişikliği desteği için LLM tabanlı konuşma ajanları: Etkinlik, güvenlik ve kullanıcı davranışının rolünü inceleyen randomize kontrollü bir çalışma
Uluslararası İnsan-Bilgisayar Çalışmaları Dergisi , 200 ( 2025 ) , Makale 103514 , 10.1016/j.ijhcs.2025.103514
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
SMS Subasinghe , SG Gersib , TM Frueh , NP Mankad
Büyük Dil Modelleri (ÖÖ’ler) Sanal Güvenlik Görevlisi Olarak Hareket Edebilir mi?
ACS Chem Health Saf , 32 ( 2025 ) , ss. 39 – 47 , 10.1021/acs.chas.4c00097
Scopus ve Google Scholar’da görüntüle
- [54]
- Jetha , H. Bakhtari , E. Irvin , A. Biswas , MJ Smith , C. Mustard ve diğerleri.
Yapay zekâ kullanan iş sağlığı ve güvenliği araçlarının işçi yaralanmaları veya hastalıkları üzerinde ölçülebilir bir etkisi var mı? Sistematik bir incelemenin bulguları.
Sistematik İncelemeler , 14 ( 2025 ) , s. 146 , 10.1186/s13643-025-02869-1
Scopus ve Google Scholar’da görüntüle
FA Awad , DJ Graham , R. Singh , L. AitBihiOuali
Yapay sinir ağları aracılığıyla kentsel raylı sistem güvenliğinin tahmin edilmesi
Güvenlik Bilimi , 167 ( 2023 ) , Makale 106282 , 10.1016/j.ssci.2023.106282
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
- [56]
- El-Helaly
Yapay Zeka ve İş Sağlığı ve Güvenliği
Faydaları ve Dezavantajları. Med Lav , 115 ( 2024 ) , Makale e2024014 , 10.23749/mdl.v115i2.15835
Yayıncıda görüntüleScopus ve Google Scholar’da görüntüle
- [57]
- Farquhar , J. Kossen , L. Kuhn , Y. Gal
Semantik entropi kullanarak büyük dil modellerinde halüsinasyonları tespit etme
Doğa , 630 ( 2024 ) , s. 625 – 630
Crossref Scopus’ta görüntüle Google Scholar
- [58]
- Huang , Y. Li , S. Jameel , Y. Long , G. Papanastasiou
Sağlık hizmetlerinde doğal dil işleme için açıklanabilir derin öğrenmeden yorumlanabilir derin öğrenmeye: Gerçekliğe ne kadar uzak?
Hesaplamalı ve Yapısal Biyoteknoloji Dergisi , 24 ( 2024 ) , ss. 362 – 373 , 10.1016/j.csbj.2024.05.004
PDF’i görüntüleMakaleyi görüntüle Scopus’ta görüntüle Google Scholar’da görüntüle
https://www.sciencedirect.com/science/article/pii/S2213846326002397