这是一篇有关于土木工程建造与管理博士论文代写范文，不安全行为;安全培训;自适应学习;知识图谱;深度学习;多模态数据;为研究论点。本文借助知识图谱、深度学习等人工智能技术支持基于自适应学习的施工工人安全知识智能推荐框架体系的构建，实现对分散的安全知识学习资源的高效组织和利用，进而对工人进行个性化“因材施教”，达到提高安全知识学习效果的目的。
目录
摘要
Abstract
1 绪论
1.1 选题来源
本研究来源于国家自然科学基金面上项目“基于机器视觉的建筑工人不安全行为主动控制方法研究”（项目编号：No.51978302）、国家自然科学基金区域联合基金重点支持项目“工程施工质量安全数字化监控理论及关键技术研究”（项目编号：No.U21A20151）。
1.2 研究背景
土木工程施工安全问题一直是困扰业界、学者和社会的重大难题[1]。根据美国劳工统计局数据显示，2018 年美国建筑业死亡人数高达 1008 人，该死亡人数比2017 年的死亡人数增加了 37 人[2]。英国健康与安全执行局 2021 年统计数据显示，英国大约 30%的工作场所工人伤亡事故来自于建筑业[3]。在中国，自 2012 年起，建筑业的事故死亡人数超过煤矿业，持续位居工业生产领域首位。根据中华人民共和国应急管理部编撰的《中国应急管理年鉴（2020 年卷）》数据统计显示，2020 年全国建筑业共发生生产安全事故 3254 起，死亡人数达 3492 人[4]。建筑业成为事故高发行业与工人的不安全行为紧密相关。研究表明，施工现场 88%的事故是由于工人的不安全行为造成的[5]。由此，有效地管控工人不安全行为的发生，对保障施工现场安全具有重要意义。安全培训可以通过提高施工工人的安全认知水平、操作技能水平和安全意识，减少工人不安全行为的发生[6,7]。为保障建筑业安全教育培训工作的规范化发展，促使建筑企业重视和规范安全培训工作的开展，相关法律、法规、规章和规范性文件等相继被颁布实施
1.3 研究问题的提出
考虑施工企业流动施工、施工工地分散、施工工人人数众多等特点，为提供高效、便捷的安全培训方式，有效降低安全培训开展的人力、物力成本，信息化网络安全培训平台仍旧是极佳的选择。然而，为提供更有针对性的安全培训方法，并系统地提高工人对安全知识的掌握程度，现有安全培训方法对个性化安全培训关注不足的问题需要得到解决。自适应学习模式强调以学习者个体为中心，提供个性化的知识学习策略，能够适应性地向学习者提供所需的知识学习内容。尽管当前基于自适应学习的工人安全培训方法已有初步研究[9]，但是现有研究仍存在以下不足：（1）缺乏安全知识自动抽取和动态更新方法。施工安全知识分散存储在各类工程数据资料中，如施工安全标准规范、事故调查报告等。现有研究依赖手动整理、分类存储以构建充当培训素材的安全知识库。考虑包含安全知识的数据资料日积月累，且现有施工安全知识可能不足以支持新型建造方式下新工艺、新技术的采用等，这种方式不利于安全知识库的维护和更新。由此，有必要首先明确施工工人需要掌握的安全知识核心概念，并以此为依据，构建面向施工工人安全知识学习的安全知识自动抽取方法，以结构化存储和更新安全知识核心概念实例及概念实例间的关系，进而索引和支持安全知识培训素材的高效利用。（2）未准确描述施工工人安全知识学习的个性化特征。施工工人的个性化特征决定了适应性提供安全知识学习素材的方式，是自适应学习安全培训模式支持和实现个性化的基本依据。施工工人的个性化特征如工龄、年龄、工种类型、技能水平等，可能与施工工人需要的或者未充分掌握的安全知识相关联，会潜在地影响施工工人获取和应用安全知识的能力以及学习安全知识的偏好。
1.4 国内外研究现状
哲学领域关于知识本质的探讨主要分为理性主义与经验主义两个流派。理性主 义流派认为知识是通过推理演绎得到的，而经验主义流派则认为知识可以从感官经 验中归纳而得，不依赖于先验知识。非哲学领域对于知识的理解更多源于实践活动 中的体会。例如，Beckman[ 10]基于数据、信息和知识三者的区别来理解和定义知识， 并指出数据是对客观世界的符号表达，信息是经过加工处理并具有潜在引导和提高。
1.5 主要研究内容及技术路线
总结以上综述分析得出，自适应学习模式可以有效弥补现有施工工人安全培训 方法存在的学习内容碎片化以及个性化程度不高等问题，而知识图谱、深度学习等 人工智能技术的发展为自适应学习在施工安全知识学习领域的应用提供了支持。因 此，本文以自适应学习理念为指导，以知识图谱、深度学习为关键技术，构建施工 工人安全知识智能推荐框架体系。基于自适应学习的施工工人安全知识智能推荐框 架体系以施工工人为中心，以安全知识领域模型对安全知识要素体系的表达与组织 为基础，以安全知识学习者模型对施工工人安全知识学习的个性化特征描述为依据。
2 施工工人安全知识领域模型构建
2.1 引言
构建施工工人安全知识领域模型是实现基于自适应学习的施工工人安全知识智 能推荐的首要步骤，其目的在于对施工安全知识资源进行有序化组织，服务于安全 知识的集成应用。施工工人安全知识领域模型的构建是将领域内知识要素及其相互 关系关联起来的过程。现有自适应学习系统在教育领域的开发和应用中，通常以已 获得普遍认可的知识点之间的层级结构及联系为基础进行知识学习领域模型的构建， 其构建难度相对较低。例如，以数学学习为例，基本初等函数的知识点包括“一次 函数”、“二次函数”、“三角函数”、“反函数”等，此类知识点的系统性强且 构成明确。另外，学习者在学习的过程中，知识点的学习存在既定的顺序关系，例 如，“二次函数”的学习需要以“一次函数”的学习为基础。最后，教育领域的知 识元表达较为统一规范，术语应用成熟，使得从语料库中进行知识抽取的难度较低。
各类工程文档资料中蕴含着丰富的施工安全知识，如施工安全标准规范、事故 调查报告等，导致积累的安全知识没有得到有效管理与利用。为此，在建设工程施 工安全领域，主要通过构建施工安全领域本体模型，促进安全风险知识的语义表达 以支持风险识别等应用。对于施工安全领域本体模型的实例化，研究最初主要采用 人工填充的方式[119,120]，这使得本体模型构建过程耗时费力且更新困难。一些研究 学者采用手工定义的规则对文本进行知识抽取，对句法模式等应用场景要求较高， 规则的适用性和鲁棒性非常有限[77,78]。对此，研究采用基于自然语言处理与深度学 习的方法从事故调查报告或者施工规范中自动抽取实体对象[80,83]，然而，这无法实 现本体中定义的实体与实体间关系的同步自动抽取。
2.2 安全知识领域模型的本体构建
本体指导人们在面向垂直领域知识管理时，对领域内的术语及概念进行认知建 模，对领域内的概念层次结构进行抽象，以定义概念的属性以及概念间的相关关系。 由此，本体可服务于领域知识的共同理解，促进领域知识的共享与重用。为构建面 向施工工人安全知识学习的领域模型，首先需要构建安全知识本体模型，实现知识 图谱数据模式的定义，从而回答安全知识领域模型如何进行数据组织的问题，并确 定数据收集的范围。
2.3 安全知识领域模型的知识抽取
构建领域本体后，下一步需要从海量施工安全文本数据中抽取安全知识三元组。 施工安全知识通常以非结构化的文本形式存在，早期针对该类数据的知识抽取基于 传统机器学习方法实现。这一类方法依赖人工设计信息抽取规则，不能广泛适用于 各种句法结构文本的安全知识抽取需求[77,78]。随着深度学习的发展，深度学习模型 被广泛应用在自然语言处理领域的各类任务中，如命名实体识别[130]、机器翻译[131]、 问答系统[132]等。对文本进行词嵌入操作转变为词向量后输入设计的神经网络框架 进行特征提取，可以实现端到端的实体抽取[80,83]。然而，现有基于自然语言处理和 深度学习的文本知识抽取仅关注实体对象（如，事故发生时间、地点），而忽视了 领域本体定义的实体对象间的关系抽取。
基于深度学习的三元组（实体及实体间关系）抽取包括两种实施路径：（1） 两阶段抽取，即首先借助命名实体识别算法识别句子中的所有实体，然后通过关系 抽取算法对每个实体执行实体与实体之间的关系抽取；和（2）实体关系联合抽取， 即通过单一模型实现实体识别和关系抽取。两阶段抽取的方法需独立训练两个模型， 且具有误差传播效应，关系抽取算法的精度直接受实体识别算法输出结果的影响。 由此，本章在实现安全知识三元组抽取时优先考虑实体关系联合抽取方法。此外， 如图2.3所示，在施工安全知识文本中，根据2.2.2节定义的类的对象属性关系，包 含多个相互重叠的关系三元组的现象普遍存在，即同一句子中的多个关系三元组共 享相同的实体。因此，实体关系联合抽取算法的设计需要考虑该应用场景下一条施 工安全文本中包含多个相互重叠关系三元组的情况。
2.4 安全知识领域模型的知识存储与检索
知识图谱数据存储方式的选择需要根据垂直领域知识的特点以及应用场景的需 要来确定。随着安全知识素材的积累，安全知识领域模型中的实体和关系将被频繁 地访问、更新和查询。对此，传统的关系型数据库由于每次操作后会产生大量的表 链接或者生成新的表和字段，对开发维护的难度要求较高且易降低系统的整体性能。 相比之下，图数据库作为一种典型的非关系型数据库，通过对节点和边进行定义及 操作，可以很好地支持基于图结构的增加、删除、更新和查询等系列操作，具有使 用更简单、查询更快速以及支持可视化的关系展示的特点[136]。
在现有的图数据库工具中，Neo4j被认为是世界领先的、应用最广泛的图数据 库[137]。Neo4j具有以下特点和优势：（1）拥有超高速读写性能，同时保证了数据 的完整性；（2）易于学习和掌握，使用简单易上手的Cypher查询语言，具备成熟、 友好的用户界面，且官方发布了公开可访问的丰富学习资源；（3）提供了REST API接口，支持如Python，Java等编程语言的访问，且支持数据导出为XLS和JSON 格式。因此，本研究采用Neo4j作为施工工人安全知识知识图谱进行数据存储和查 询的平台。
2.5 实证分析
为验证和测试所提出的施工工人安全知识领域模型构建路径的有效性，本文采 集公开可获取的施工安全标准规范以及生产安全事故调查报告作为施工安全知识文 本数据源。对于施工安全标准规范，本研究关注的标准规范主要包括《中华人民共 和国建筑法》、《建设工程安全生产管理条例》、《建筑工程施工质量验收统一标 准》、《建筑施工高处作业安全技术规范》、《建筑机械使用安全技术规程》、 《建筑施工安全检查标准》、《建筑施工安全操作规程》、《地铁工程施工安全评 价标准》。获取安全标准规范文档后，将文档中每个条文视为单独的句子，手动提 取并整理至txt文件中以构建语料库。
2.6 本章小结
施工工人安全知识领域模型是实现基于自适应学习的安全知识智能推荐的重要 模块。然而，目前缺乏对面向安全知识学习的安全知识要素体系及其核心概念间语 义关系的定义，且安全知识语料缺乏统一而规范的表达，致使其利用困难。因此， 本章结合本体、自然语言处理以及深度学习技术实现施工工人安全知识领域模型的 构建。首先，阐述了现有面向施工安全管理构建的本体模型，结合施工安全标准规 范、事故调查报告等安全知识载体，分析安全知识核心概念及概念间的语义关联以 及现有本体模型的可复用性，构建面向施工工人安全知识学习的语义本体模型。接 着，根据本体模型定义的数据模式即实体及实体间的关系，分析从安全知识文本中 抽取安全知识三元组的任务特征。以可实现对实体及实体间关系进行联合抽取的级 联二进制标记框架算法CASREL为基础模型，集成对比学习思想提出了一种融合无 监督学习和有监督学习的CL-CASREL模型，从包含施工安全知识的文本库中自动 抽取安全知识三元组。最后，利用图数据库Neo4j对抽取的安全知识三元组进行存 储，构建并可视化施工工人安全知识的知识图谱。以搜集的施工安全标准规范和事 故调查报告为例，验证了提出的方法的可行性和有效性。结果表明，该方法可以自 动提取文本中与施工安全知识相关的重要概念实例及其关系。与CASREL模型相比， CL-CASREL模型对安全知识三元组抽取的精确率、召回率和F1分数分别提高了 9.9%、5.0%和7.0%。由此，构建的施工工人安全知识领域模型可以为安全知识的适 应性智能推荐提供数据基础。
3 施工工人安全知识学习者模型构建
3.1 引言
3.2 学习者模型自适应源确定
3.3 施工工人技能水平模型构建
3.4 实证分析
3.5 本章小结
4 基于多模态数据的施工工人安全知识自适应引擎构建
4.1 引言
4.2 自适应引擎安全知识推荐的框架流程构建
4.3 基于文本匹配的安全知识推荐
4.4 基于图像文本匹配的安全知识推荐
4.5 基于图像匹配的安全知识推荐
4.6 本章小结
5 施工工人安全知识自适应学习系统设计与实现
5.1 总体架构
在施工工人安全知识领域模型、施工工人安全知识学习者模型和施工工人安全 知识自适应引擎构建完成的基础上，对施工工人安全知识自适应学习系统进行设计、 开发与实现，以提高施工工人的安全知识认知水平和技能水平，提升工地的安全管 理水平。本章围绕施工工人安全知识自适应学习系统的总体架构、功能模块、系统 实现与应用分析进行详细阐述。
5.2 功能模块
施工工人安全知识自适应学习系统面向的主体对象是施工工人和安全管理人员。 从施工工人安全知识学习需求出发，系统要为其提供可选择的安全知识学习资源， 可视化展示安全知识学习状态并根据个性化特征提供安全知识智能推荐服务。从安 全管理人员的安全管理需求出发，通过采集技能水平数据，系统应为其可视化呈现 不安全行为发生规律等。从设计的安全知识智能推荐框架出发，需要采集施工工人 的学习风格、培训试题测试数据等，为自适应学习系统的实现提供数据支持。由此， 依据施工工人安全知识自适应学习系统的需求分析和系统的总体架构设计要求，该 系统设计的核心功能模块如图5.2所示。考虑不同用户的操作需求，设计开发网页 端和移动端两种操作平台。其中，面向施工工人的移动端用于日常安全知识学习， 面向安全管理人员的移动端用于安全巡视工作以支持工人技能水平监测数据的录入。 网页端则用于基础数据的管理以及面向管理人员的业务数据的分析和查看。区别于 现有安全培训产品重点关注实名制信息采集、多媒体安全培训、无纸化考试、自动 阅卷等功能，如博晟信息公司开发的多媒体安全培训工具箱，本系统的核心要点在 于区分记录工人的个性化特征（如，学习风格、技能水平）并适应性推荐安全知识。
5.3 系统实现
采用浏览器/服务器（Browser/Server，B/S）的网络架构基础，在Windows10上 部署开发。下载并安装Flutter SDK、Vscode及Android Studio，然后相继创建Flutter 项目，在Vscode下安装Flutter插件，在Android Studio中安装Flutter和Dart拓展， 搭建系统开发环境。后端运用Java编程语言进行逻辑编写，采用关系型数据库 MySQL存储系统数据。采用JavaScript开发前端页面，实现与后台的数据交互，同 时调用开源的Echarts插件，在数据统计分析过程中，实现丰富的可视化效果。以下 分别介绍移动端及网页端的主要操作界面实现等。
5.4 应用分析
使用非自适应学习系统和使用自适应学习系统的两组工人的安全培训测试题考核成绩虽然有轻微波动，但均大体呈稳步上升的趋势。进一步采用 t 检验评估两组工人的安全培训测试题考核表现是否具有显著性差异。结果求得，P>0.05，表明两组工人的安全测试题考核表现不存在显著性差异。分析原因是，现有研究已经探讨了基于图示语言的安全培训系统（即非适应学习系统）的采用具有提高工人安全知识认知水平的效果[54]。由于测试题的组成每次均不一样，这种结果是可接受的。类似地，统计 60 名施工工人经机器视觉或安全员现场巡视检查监测到的不安全行为记录，获得其技能水平表现，如图 5.13 所示。图中，每个点的次数表示 30 名工人当天被检测到的不安全行为次数总和。从图中可以看出，使用非自适应学习系统和使用自适应学习系统的两组工人在安全行为表现上均有趋好的势头。采用 t 检验对两组工人的安全技能水平是否具有显著性差异进行判断。结果求得，P<0.05，表明两组工人的安全行为表现具有显著性差异，使用安全知识自适应学习系统的工人的技能水平比使用非自适应学习系统工人的技能水平提升更明显。
5.5 本章小结
本章在前述章节施工工人安全知识领域模型、施工工人安全知识学习者模型和施工工人安全知识自适应引擎构建完成的基础上，对施工工人安全知识自适应学习系统的移动端和网页端进行设计、开发与实现。首先，从硬件层、数据层、关键技术层、应用层阐述了该系统的总体架构。接着，结合施工工人安全知识自适应学习系统的需求分析设计该系统移动端和网页端的主要功能模块，并详细阐述了各核心功能模块的功能。此外，通过核心功能模块的界面演示了施工工人安全知识自适应学习系统的实现。最后，以武汉地铁某线路的 60 名工人为例，验证了自适应学习系统对工人的安全知识认知水平和技能水平的提升均具有促进作用。
6 总结与展望
6.1 全文总结
安全培训是提高施工工人安全知识水平，减少工人不安全行为发生的直接有效手段之一。构建针对性的安全培训方法，并系统地提高工人对安全知识的掌握程度，是当前工人安全培训亟待解决的问题。为此，本文提出了基于自适应学习的施工工人安全知识智能推荐方法。该方法通过构建施工工人安全知识领域模型、施工工人安全知识学习者模型和施工工人安全知识自适应引擎，实现了对施工工人安全知识的个性化智能推荐，提升了施工工人的安全知识认知水平和技能水平。本文的主要研究成果如下：（1）在施工工人安全知识领域模型构建方面，本文首先阐述了现有面向施工安全管理构建的本体模型。结合施工安全标准规范、事故调查报告等安全知识载体，分析了安全知识核心概念及概念间的语义关联，以及现有本体模型的可复用性，从而构建了面向施工工人安全知识学习的语义本体模型。接着，以可对实体及实体间关系进行联合抽取的 CASREL 模型为基础，提出了融合无监督学习和有监督学习的CL-CASREL 模型，实现了从包含施工安全知识的文本中自动抽取安全知识三元组。进一步，采用图数据库 Neo4j 对抽取的安全知识三元组进行存储和更新，构建了可视化的安全知识知识图谱。最后，以公开可获取的安全施工规范条文及事故调查报告作为语料库验证了方法的可行性。实验结果表明，该方法能够有效改善训练阶段数据不足、模型泛化能力不够的问题，精确率达 77.8%。由此，这实现了施工工人安全知识领域模型的自动构建，可支持安全知识培训素材的高效利用，为安全知识适应性智能推荐提供数据基础。（2）在施工工人安全知识学习者模型构建方面，本文首先阐述了教育领域学习者模型中个性化特征的常见构成，并结合施工工人特色个性化特征，如工种类型等，分析了影响施工工人安全知识学习效果的关键个性化特征，明确了施工工人学习者模型构建的自适应源，主要包括工种类型、学习风格、认知水平和技能水平。接着，针对各自适应源提出了自适应源特征描述和获取方法，基于 Felder-Silverman学习风格模型采用所罗门学习风格量表获取工人的学习风格，基于安全知识培训测试题考核施工工人对不同安全知识点的认知水平。进一步，重点阐述了机器视觉自动监测技术和人工现场巡视检查对施工工人技能水平的动态评估。针对机器视觉的自动监测，以施工工人进入挖掘机作业危险区域为例，验证了提出方法的可行性。实验结果表明，YOLOv2 模型识别工程要素的精确率达到了 90%以上，基于连续视频帧判断机械作业状态准确率为 91.3%。同时，在实际施工场景中验证了透视变换方法识别工人进入挖掘机作业危险区域的性能。由此，这实现了施工工人安全知识学习者模型的构建与动态更新，为安全知识适应性智能推荐提供了依据。（3）在施工工人安全知识自适应引擎构建方面，本文首先构建了自适应引擎安全知识智能推荐的框架流程，描述不同工人特征与培训形式、培训路径及培训内容推荐间的关系。接着，针对施工工人的认知需求和学习风格差异，构建了不同模态安全知识的智能推荐算法。对于基于试题的事故案例报告文本的培训素材推荐，融合领域模型包含的安全知识语义信息建立 K-BERT 模型，实验结果表明精确率达到了 97.2%；对于基于试题的不安全行为图片的培训素材推荐，融合领域模型包含的安全知识语义信息建立 K-SGRAF 模型，实验结果表明精确率达到了 82.4%；针对基于不安全行为图片的同类不安全行为图片的培训素材推荐，采用单阶段图像匹配的 DOLG 模型，实验结果表明，当单类图片的数据量较大时，MAP 可以达到 87.8%。由此，这实现了施工工人安全知识自适应引擎的构建，可支持安全知识的智能推荐与适应性呈现。（4）施工工人安全知识自适应学习系统的设计与实现。基于施工工人安全知识领域模型、学习者模型和自适应引擎的构建，对施工工人安全知识自适应学习系统的移动端及网页端进行了设计、开发与实现。进一步对比采用自适应学习系统和采用非自适应学习系统工人的安全知识学习状态的变化，验证了基于自适应学习的安全知识智能推荐方法对施工工人的安全知识认知水平和技能水平的提升效用。
6.2 研究创新点
本文的研究创新点主要体现在以下几个方面：（1）结合施工工人安全知识的学习需求，分析了施工安全领域现有本体模型的可复用性，构建了施工工人安全知识本体模型。以可实现对实体及实体间关系进行联合抽取的 CASREL 模型为基础，集成对比学习思想，提出了一种融合无监督学习和有监督学习的 CL-CASREL 模型，用于施工安全知识三元组的自动抽取。实验结果表明，改进后的 CL-CASREL 模型对安全知识三元组的抽取性能明显提升，精确率、召回率和 F1 分数分别提高了 9.9%、5.0%和 7.0%。（2）通过分析影响施工工人安全知识学习效果的关键个性化特征，明确了施工工人安全知识学习者模型构建的自适应源。利用连续视频帧中蕴含的时空信息，提出了基于机器视觉和深度学习的工人不安全行为识别方法，实现了对施工工人技能水平的动态监测。（3）结合施工工人安全知识领域模型对安全知识的系统集成和学习者模型对工人安全知识学习个性化特征的获取记录，构建了自适应引擎安全知识推荐的框架流程。针对传统推荐算法无法实现对海量多模态安全知识的高效利用的问题，融合领域模型包含的安全知识语义信息，提出了多模态安全知识智能推荐算法。实验结果表明，与数据驱动的算法（BERT 和 SGRAF）相比，数据和知识融合驱动的算法（K-BERT 和 K-SGRAF）的安全知识推荐性能更佳。
6.3 研究不足与展望
本文借助知识图谱、深度学习等人工智能技术支持基于自适应学习的施工工人安全知识智能推荐框架体系的构建，实现对分散的安全知识学习资源的高效组织和利用，进而对工人进行个性化“因材施教”，达到提高安全知识学习效果的目的。本文的框架体系虽然有一定的研究贡献，但难免存在不足，本节进一步剖析本研究存在的不足，并提出相应的研究展望。（1）在施工工人安全知识领域模型构建方面，本文进行安全知识抽取采用的数据来源有限。一方面，采用的文本数据来源于部分事故案例报告及部分规范条文，仅采用少量数据用于安全知识抽取模型的训练，限制了模型性能的提升；另一方面，仅限于对文本安全知识的提取，未对施工图片、视频等数据中蕴含的安全风险知识进行抽取。因此，后续研究主要围绕三个方面开展工作。首先，采集更多的文本数据，增加知识库的样本量，进一步提升模型进行安全知识抽取的性能。其次，进一步扩充数据源，实现对风险隐患图片和视频等数据中安全知识的提取。最后，构建实体消歧方法以对不同数据源中提取的安全知识进行知识融合操作。（2）在施工工人安全知识学习者模型构建方面，本文在评估工人的技能水平时，基于机器视觉的不安全行为检测仅以工人靠近机械作业危险区域为例。后续研究需要关注场景中更多不安全行为的同步检测和定位，并进一步提升算法的适用性。同时，施工工人的认知水平和技能水平评估仅限于对单一安全知识点的学习情况进行判断，后续研究可构建评价指标体系进一步细分工人的认知水平及技能水平等级。此外，针对工人的学习风格特征，本研究采用问卷调查的方式，这依赖于施工工人的自我报告。后续研究可结合工人点击安全培训素材进行自主安全知识学习过程中的记录，对工人的学习风格进行动态评估和修正。（3）在施工工人安全知识自适应引擎构建方面，本文针对不同模态安全知识构建了不同的智能推荐算法，实现了包含特定安全知识点的多模态安全培训素材的适应性推荐。但是，研究未考虑不同安全知识点之间的培训路径的推荐。后续研究可以结合施工工人安全知识领域模型中安全知识要素间的关系，设计并验证不同安全知识点之间的推荐学习路径。（4）在施工工人安全知识自适应学习系统实现方面，本文以 60 名工人为实验对象设计了 15 天的实验，一定程度上验证了自适应学习系统对工人的安全知识认知水平和技能水平的提升作用。为进一步验证系统对工人安全知识学习的长期作用效果，需要更多的实验参与人员并延长实验开展时间。此外，在实际施工安全管理中，可以利用本研究提出的自适应学习系统开展安全知识培训工作，但同时仍需要结合现场干预等手段提高工人的安全意识等。随着土木工程行业从业人员从农民工向产业工人转型，通过建立产业工人个人信息档案，系统记录工人安全知识学习行为及现场施工活动表现等数据，并将其与薪资奖励和个人职业发展挂钩，可进一步提升安全管理水平。由于本人认知水平有限，文章中可能存在错误或不当之处，恳请各位专家批评指正。
参考文献
略