İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi

Cemre Çınar; Saniye Yavuz

doi:10.66643/btkdergi.1939549

TR EN

İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi

Abstract

Bu çalışma, yapay zekâ tabanlı risk analizi yaklaşımlarının iş sağlığı ve güvenliği (İSG) alanındaki konumunu literatür incelemesi (narrative literature review) ve kavramsal çerçeve geliştirme yaklaşımının birlikte kullanıldığı iki aşamalı bir metodolojik yapı üzerinde inceleyerek mevcut bilgi birikimini sistematik biçimde haritalamaktadır. Ulusal ve uluslararası literatürden elde edilen bulgular, İSG uygulamalarında uzman sistemler, makine öğrenmesi modelleri ve IoT tabanlı sensör ağlarının giderek yaygınlaştığını; ancak açıklanabilirlik, veri yönetişimi, model yaşam döngüsü yönetimi ve kurumsal uyum gerekliliklerinin çoğu çalışmada bütüncül biçimde ele alınmadığını göstermektedir. Bu eksiklikler doğrultusunda çalışma, literatürden türetilen bulguları sentezleyerek beş katmanlı yapısal bileşenden ve dört tasarım ilkesinden oluşan bütünleşik bir sistem mimarisi önermektedir. Önerilen mimari; veri toplama, veri işleme, analitik modelleme, karar destek ve kurumsal entegrasyon süreçlerini açıklanabilir yapay zekâ ve makine öğrenmesi operasyonları (Machine Learning Operations-MLOps) temelli yönetişim ilkeleriyle bir araya getirerek İSG’de ölçeklenebilir, şeffaf ve denetlenebilir bir yapay zekâ entegrasyonu için metodolojik bir çerçeve sunmaktadır. Çalışma, mevcut yaklaşımlardaki teknik ve yönetişimsel sınırlılıkları netleştirirken hem araştırmacılar hem de uygulayıcı kurumlar için yapay zekâ destekli İSG sistemlerinin tasarımına yönelik bütüncül bir referans modeli ortaya koymaktadır.

Keywords

Artificial Intelligence (AI)-Based Risk Analysis in Occupational Health and Safety: An Integrated Architectural Approach Proposal

Abstract

This study systematically maps the existing body of knowledge on artificial intelligence–based risk analysis approaches in the field of occupational health and safety (OHS) through a two-stage methodological design that integrates a narrative literature review with conceptual framework development. Findings derived from both national and international literature indicate that expert systems, machine learning models, and Internet of Things (IoT)–based sensor networks are increasingly adopted in OHS applications. However, critical dimensions such as explainability, data governance, model lifecycle management, and organizational compliance are not addressed holistically in the majority of existing studies. In response to these gaps, the study synthesizes the literature and proposes an integrated system architecture consisting of five structural layers and four design principles. The proposed architecture combines data collection, data processing, analytical modeling, decision support, and organizational integration processes within a governance framework grounded in Explainable Artificial Intelligence (XAI) and Machine Learning Operations (MLOps). In doing so, it provides a methodological foundation for scalable, transparent, and auditable AI integration in OHS contexts. By clarifying both the technical and governance-related limitations of current approaches, the study offers a comprehensive reference model for the design and implementation of AI-supported OHS systems, addressing the needs of both researchers and practitioners.

Keywords

References

Adadi, A., & Berrada, M. (2018). Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access, 6, 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052
Aslan, T., & Yağımlı, M. (2023). İş Sağlığı ve Güvenliğinde Derin Öğrenme Tabanlı Risk Tespit ve Analizi. The Journal of International Scientific Researches, 8(2), 223-236. https://dergipark.org.tr/tr/pub/isrjournal/issue/78902/1288496
Ayan, B., Taşçı, S., & Köksal, E. B. M. (2024). İş Sağlığı ve Güvenliği Alanında Kullanılan Yapay Zeka Teknolojilerine İlişkin İnceleme. Çalışma İlişkileri Dergisi, 15(2), 20-33. https://dergipark.org.tr/tr/pub/cider/issue/86465/1496402
Azadeh, A., Fam, I. M., Khoshnoud, M., & Nikafrouz, M. (2008). Design and implementation of a fuzzy expert system for performance assessment of an integrated health, safety, environment (HSE) and ergonomics system: The case of a gas refinery. Information Sciences, 178(22), 4280–4300. https://doi.org/10.1016/j.ins.2008.06.026
Barredo A. A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., … Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
Beriha, G. S., Patnaik, B., Mahapatra, S. S., & Padhee, S. (2012). Assessment of safety performance in Indian industries using fuzzy approach. Expert Systems with Applications, 39(3), 3311–3323. https://doi.org/10.1016/j.eswa.2011.09.018
El-Bouchikhi, M., Weerts, S., & Clavien, C. (2024). The internet of things deployed for occupational health and safety purposes: A qualitative study of opportunities and ethical issues. Frontiers in Public Health, 12, 1468646, 1-15. https://doi.org/10.3389/fpubh.2024.1468646
El-Helaly, M. (2024). Artificial intelligence and occupational health and safety, benefits and drawbacks. La Medicina del Lavoro, 115(2), 91–104. https://doi.org/10.23749/mdl.v115i2.15835

Erol, M., & Eraslan, E. (2024). Nesnelerin İnterneti, Uygulama Alanları ve İş Sağlığı ve Güvenliği ile Etkileşimi. Journal of Turkish Operations Management, 8(1), 73-89. https://doi.org/10.56554/jtom.1258262
Hadjimichael, M. (2009). A fuzzy expert system for aviation risk assessment. Expert Systems with Applications, 36(3), 6512–6519. https://doi.org/10.1016/j.eswa.2008.07.081
Hoenigsberger, F., Saranti, A., Jalali, A., Stampfer, K., & Holzinger, A. (2024). Explainable Artificial Intelligence to Support Work Safety in Forestry: Insights from Two Large Datasets, Open Challenges, and Future Work. Applied Sciences, 14(9), 3911. https://doi.org/10.3390/app14093911
İçen, D., & Günay, S. (2014). Uzman Sistemler ve İstatistik. İstatistikçiler Dergisi: İstatistik ve Aktüerya, 7(2), 37–45. https://dergipark.org.tr/tr/pub/jssa/issue/36636/417059
Kabir, S., Hossain, M. S., & Andersson, K. (2025). A Review of Explainable Artificial Intelligence from the Perspectives of Challenges and Opportunities. Algorithms, 18(9), 556. https://doi.org/10.3390/a18090556
Koç, K., Ekmekcioğlu, Ö., & Gürgün, A. P., (2022). Accident prediction in construction using hybrid wavelet-machine learning. Automation in Construction, vol.133. https://doi.org/10.1016/j.autcon.2021.103987
Lilić, N., Obradović, I., & Cvjetić, A. (2010). An intelligent hybrid system for surface coal mine safety analysis. Engineering Applications of Artificial Intelligence, 23(4), 453–462. https://doi.org/10.1016/j.engappai.2010.01.025
Olcay, Z. F. (2021). İş Sağlığı ve Güvenliği Kültürü Ölçeği; Geçerlik ve Güvenirlik Çalışması. Avrupa Bilim ve Teknoloji Dergisi (23), 678-685. https://doi.org/10.31590/ejosat.892845
Park, J., & Kang, D. (2024). Artificial Intelligence and Smart Technologies in Safety Management: A Comprehensive Analysis Across Multiple Industries. Applied Sciences, 14(24), 1-22. https://doi.org/10.3390/app142411934
Pavlovic-Veselinovic, S., Hedge, A., & Veselinovic, M. (2016). An ergonomic expert system for risk assessment of work-related musculoskeletal disorders. International Journal of Industrial Ergonomics, 53, 130–139. https://doi.org/10.1016/j.ergon.2015.11.008
Peters, M. D. J., Marnie, C., Tricco, A. C., Pollock, D., Munn, Z., Alexander, L., … Khalil, H. (2020). Updated methodological guidance for the conduct of scoping reviews. JBI Evidence Synthesis, 18(10), 2119–2126. https://doi.org/10.11124/JBIES-20-00167
Shah, I. A., & Mishra, S. (2024). Artificial intelligence in advancing occupational health and safety: An encapsulation of developments. Journal of Occupational Health, 66(1), 1-12 https://doi.org/10.1093/joccuh/uiad017
Şengöz, T. E., & Bozkurt, Y. (2025). İş Sağlığı ve Güvenliği Kapsamında Sektörel İş Kazalarının Yapay Zekâ Teknolojileri ve Uzman Sistem Uygulamaları Yönünden İncelenmesi. Sürdürülebilir Mühendislik Uygulamaları ve Teknolojik Gelişmeler Dergisi, 8(1), 17-44. https://doi.org/10.51764/smutgd.1678632
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., … Straus, S. E. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
Vivian, N., Maheshwari, U., Yeboah, R. (2025). A comprehensive survey on machine learning for workplace injury analysis: Risk prediction, return to work strategies, and demographic insights. Journal of Big Data, 12, 167, 1-26. https://doi.org/10.1186/s40537-025-01229-z
World Health Organization & International Labour Organization. (2021). WHO/ILO joint estimates of the work-related burden of disease and injury, 2000–2016: Global monitoring report. World Health Organization & International Labour Organization. https://www.who.int/publications/i/item/9789240034945

Details

Primary Language

Turkish

Subjects

Business Process Management, Knowledge Representation and Reasoning

Journal Section

Research Article

Authors

Cemre Çınar ^*
0009-0004-1645-7133
Türkiye

Saniye Yavuz
0009-0000-1488-0422
Türkiye

Publication Date

June 30, 2026

Submission Date

April 28, 2026

Acceptance Date

June 9, 2026

Published in Issue

Year 2026 Volume: 4 Number: 1

DOI

https://doi.org/10.66643/btkdergi.1939549

IZ

https://izlik.org/JA77DA32JP

Cite

RIS / Bibtex

APA

Çınar, C., & Yavuz, S. (2026). İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi. Bilgi Teknolojileri Ve İletişim Dergisi, 4(1), 123-146. https://doi.org/10.66643/btkdergi.1939549

AMA

1.Çınar C, Yavuz S. İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi. Bilgi Teknolojileri ve İletişim Dergisi. 2026;4(1):123-146. doi:10.66643/btkdergi.1939549

Chicago

Çınar, Cemre, and Saniye Yavuz. 2026. “İş Sağlığı Ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi”. Bilgi Teknolojileri Ve İletişim Dergisi 4 (1): 123-46. https://doi.org/10.66643/btkdergi.1939549.

EndNote

Çınar C, Yavuz S (June 1, 2026) İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi. Bilgi Teknolojileri ve İletişim Dergisi 4 1 123–146.

IEEE

[1]C. Çınar and S. Yavuz, “İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi”, Bilgi Teknolojileri ve İletişim Dergisi, vol. 4, no. 1, pp. 123–146, June 2026, doi: 10.66643/btkdergi.1939549.

ISNAD

Çınar, Cemre - Yavuz, Saniye. “İş Sağlığı Ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi”. Bilgi Teknolojileri ve İletişim Dergisi 4/1 (June 1, 2026): 123-146. https://doi.org/10.66643/btkdergi.1939549.

JAMA

1.Çınar C, Yavuz S. İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi. Bilgi Teknolojileri ve İletişim Dergisi. 2026;4:123–146.

MLA

Çınar, Cemre, and Saniye Yavuz. “İş Sağlığı Ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi”. Bilgi Teknolojileri Ve İletişim Dergisi, vol. 4, no. 1, June 2026, pp. 123-46, doi:10.66643/btkdergi.1939549.

Vancouver

1.Cemre Çınar, Saniye Yavuz. İş Sağlığı ve Güvenliğinde Yapay Zekâ Tabanlı Risk Analizi: Bütünleşik Bir Mimari Yaklaşım Önerisi. Bilgi Teknolojileri ve İletişim Dergisi. 2026 Jun. 1;4(1):123-46. doi:10.66643/btkdergi.1939549