Classifying U.S. Army Military Occupational Specialties Using the Occupational Information Network
Notice bibliographique
Résumé
OBJECTIVES: To derive job condition scales for future studies of the effects of job conditions on soldier health and job functioning across Army Military Occupation Specialties (MOSs) and Areas of Concentration (AOCs) using Department of Labor (DoL) Occupational Information Network (O*NET) ratings. METHODS: A consolidated administrative dataset was created for the "Army Study to Assess Risk and Resilience in Servicemembers" (Army STARRS) containing all soldiers on active duty between 2004 and 2009. A crosswalk between civilian occupations and MOS/AOCs (created by DoL and the Defense Manpower Data Center) was augmented to assign scores on all 246 O*NET dimensions to each soldier in the dataset. Principal components analysis was used to summarize these dimensions. RESULTS: Three correlated components explained the majority of O*NET dimension variance: "physical demands" (20.9% of variance), "interpersonal complexity" (17.5%), and "substantive complexity" (15.0%). Although broadly consistent with civilian studies, several discrepancies were found with civilian results reflecting potentially important differences in the structure of job conditions in the Army versus the civilian labor force. CONCLUSIONS: Principal components scores for these scales provide a parsimonious characterization of key job conditions that can be used in future studies of the effects of MOS/AOC job conditions on diverse outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».