MétaCan
Menu
Retour à la cohorte
Enregistrement W1999784682 · doi:10.2105/ajph.2005.078923

Changing the Child Labor Laws for Agriculture: Impact on Injury

2006· article· en· W1999784682 sur OpenAlexaboutno aff
Barbara Marlenga, Richard L. Berg, James G. Linneman, Robert J. Brison, William Pickett

Notice bibliographique

RevueAmerican Journal of Public Health · 2006
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Farm Safety
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute for Occupational Safety and Health
Mots-clésAgricultureInjury preventionOccupational safety and healthPoison controlHuman factors and ergonomicsSuicide preventionLawEnvironmental healthPolitical scienceMedicineGeography

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The child labor laws are intended to protect young workers from the most dangerous jobs. However, children who work on their parents' farms are exempt from these laws. We evaluated the potential for preventing the occurrence of farm injuries among children by changing the US Federal Child Labor Laws, Hazardous Occupations Orders for Agriculture. METHODS: A retrospective case series of 1193 farm injuries among children from the United States and Canada was assembled. The Hazardous Occupations Orders were systematically applied to each case. Injury preventability was estimated. RESULTS: A total of 286 (24%) cases of injury involved immediate family members engaged in farm work. Among these children, 33% of those aged younger than 16 years and 36% of those aged 16 or 17 years were performing work prohibited under the Hazardous Occupations Orders. CONCLUSIONS: Removing the family farm exemption from the Hazardous Occupations Orders and raising the age restriction for performing hazardous agricultural work from 16 to 18 years would be efficacious in preventing the most serious injuries experienced by young family farm workers. Potential reductions in injury would meet Healthy People 2010 goals for reducing traumatic injury in the agricultural sector.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,151
Score d'incertitude au seuil0,301

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,268
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Public HealthMême sujetAgriculture and Farm SafetyTravaux en français237 207