swordKoala/ragcon-construction-safety-sft

RAGCON 건설현장 안전 분석 SFT 데이터셋 / Construction Safety Analysis SFT Dataset

건설현장의 현장 조건(시설물·공종·작업·공정률·작업자수·기상 등) 을 입력하면 예상 사고유형, 심각도 등급, 위험 시나리오, 사고원인, 예방 조치를 생성하도록 LLM을 지도학습 미세조정(SFT)하기 위한 한국어 instruction 데이터셋입니다.

A Korean instruction-tuning dataset for supervised fine-tuning (SFT) of LLMs to perform construction-site risk analysis: given site conditions (facility, work type, task, progress rate, worker count, weather), the model predicts the expected accident type, severity grade, risk scenario, root cause, and preventive measures.

본 데이터셋은 RAGCON 프로젝트에서 사용 가능 데이터로 선별된 risk(위험성평가) 계열 데이터를 기반으로, 사고사례(accident) 정보와 결합·라벨 정규화·입력 패러프레이즈 증강을 거쳐 구축되었습니다. (변동성이 높은 accident·law 데이터는 학습에서 제외하고 RAG 검색 전용으로 사용)

데이터 구성 / Dataset Summary

스키마 / Schema

각 레코드는 ShareGPT 형식을 따릅니다:

{
  "conversations": [
    { "from": "system", "value": "당신은 건설현장 안전 분석 전문가입니다. ..." },
    { "from": "human",  "value": "다음 건설현장의 위험을 분석해 주세요.\n\n시설물: ...\n공종: ...\n작업: ...\n공정률: ...\n작업자수: ...\n기상: ..." },
    { "from": "gpt",    "value": "사고유형(인적): ...\n사고유형(물적): ...\n심각도: ...\n위험 시나리오: ...\n사고원인: ...\n구체적 원인: ...\n예방 조치:\n- ...\n- ...\n- ..." }
  ]
}

입력(human) 필드: 시설물, 공종, 작업, 공정률, 작업자수, 기상, (일부) 시간대 출력(gpt) 필드: 사고유형(인적), 사고유형(물적), 심각도, 위험 시나리오, 사고원인, 구체적 원인, 예방 조치(항상 3개 항목)

입력 템플릿 변형 / Input Template Variants

모델의 표현 강건성(robustness)을 위해 동일 의미의 입력을 3가지 형태로 증강했습니다.

출력(gpt) 스키마는 모든 변형에서 동일합니다.

라벨 분포 / Label Distributions

심각도 (Severity)

사고유형(인적) — 상위 항목 (Human accident type, top)

KOSHA 표준 재해유형 체계에 정렬: 물체에 맞음(4,045), 끼임(2,970), 넘어짐(미끄러짐)(2,544), 넘어짐(기타)(2,232), 부딪힘(2,190), 떨어짐(2미터 미만)(2,057), 절단·베임(1,903), 넘어짐(물체에 걸림)(1,732), 깔림(912) 등. 떨어짐은 높이 구간별로 세분화.

사고원인 — 상위 항목 (Root cause, top)

작업자 부주의(15,133 · 52.8%), 작업자의 불안전한 행동(2,320), 작업자 통제 미흡(878), 위험정보 미제공(834), 작업순서 미준수(811), 시공품질 미확보(542) 등.

시설물 대분류 / 공종 / 작업 (Facility / Work type / Task)

• —시설물 대분류(구조화 샘플 기준): 건축 17,387 · 토목 4,642 · 산업환경설비 846 · 조경 183
• —고유 공종 수: 50개 (예: 건축 > 철근콘크리트공사, 건축 > 가설공사, 기계설비 > 기계설비공사, 토목 > 토공사, 건축 > 철골공사 …)
• —고유 작업유형 수: 57개 (예: 설치작업, 이동, 해체작업, 운반작업, 정리작업, 조립작업, 타설작업 …)

사용 예시 / Usage

from datasets import load_dataset

ds = load_dataset("swordKoala/ragcon-construction-safety-sft", split="train")
print(ds[0]["conversations"])

ShareGPT 형식이므로 LLaMA-Factory, Axolotl, Unsloth 등에서 conversations(roles: system/human/gpt) 스키마로 바로 사용할 수 있습니다.

# 예: LLaMA-Factory dataset_info.json
"ragcon_safety": {
  "hf_hub_url": "swordKoala/ragcon-construction-safety-sft",
  "formatting": "sharegpt",
  "columns": { "messages": "conversations" },
  "tags": { "role_tag": "from", "content_tag": "value",
            "user_tag": "human", "assistant_tag": "gpt", "system_tag": "system" }
}

구축 과정 / Provenance

• —원천(source): RAGCON 프로젝트의 risk(건설작업 위험성평가) 계열 데이터 (원본 약 2,426건, 11개 JSONL). 주요 구성: syn_risk_data(Gemini 합성, 약 67%), kras_risk_chunks(KRAS 실데이터), 공종별 위험성평가 파일.
• —가공(processing): 원천 데이터의 품질 이슈(재해유형 동의어 중복, 구분자 불일치, 비표준 등급 등)를 정리하고, 사고사례 정보(기상·심각도·구체 시나리오)와 결합하여 사고유형/심각도/원인/예방조치 스키마로 재구성. 입력은 3가지 템플릿으로 패러프레이즈 증강.
• —참고 문서: 「건설안전 데이터셋 LLM 활용방안 분석」, 「Risk 데이터 품질 분석」.

한계 / Limitations

• —합성(Gemini) 데이터 비중이 높아 일부 공종은 합성 분포에 의존합니다 — 실제 현장 분포와 차이가 있을 수 있습니다.
• —라벨 불균형: 심각도는 경상위험(86.9%)에, 사고원인은 작업자 부주의(52.8%)에 크게 치우쳐 있습니다.
• —완전 중복(human+gpt 동일) 583건(약 2%)이 의도적으로 보존되어 있습니다 (원본 유지). 필요 시 사용자가 제거하십시오.
• —의료·법적 판단이나 실제 안전 의사결정의 단독 근거로 사용하지 마십시오. 연구/보조 용도로 활용하십시오.

인용 / Citation

@misc{ragcon_construction_safety_sft,
  title  = {RAGCON Construction Safety Analysis SFT Dataset},
  author = {swordKoala},
  year   = {2026},
  howpublished = {Hugging Face Hub},
  url    = {https://huggingface.co/datasets/swordKoala/ragcon-construction-safety-sft}
}