Ergonomics action research I: shifting from hypothesis testing to experiential learning
Notice bibliographique
Résumé
This paper presents the case for the need for 'Action Research' (AR) approaches to gain understanding of how ergonomics considerations can best be integrated into the design of new work systems. The AR researchers work collaboratively with other stakeholders to solve a real-world problem: gaining insight into the problem and factors influencing solution building from an embedded position in the development process. This experience is interpreted in terms of available theory and can support further theory development. This non-experimental approach can help provide practical new approaches for integrating ergonomics considerations into real work system design processes. The AR approach suffers from a lack of acceptance by conventionally trained scientists. This paper aims to help overcome this weakness by developing the underlying theory and rationale for using AR approaches in ergonomics research. We propose further development of hybrid approaches which incorporate other evaluation techniques to extend the knowledge gains from AR projects. PRACTITIONER SUMMARY: Researchers should engage directly with organisations in ergonomics projects so that they can better understand the challenges and needs of practitioners who are trying to apply available scientific knowledge in their own unique context. Such 'Action Research' could help develop theory and approaches useful to improve mobilisation and application of ergonomics knowledge in organisations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,224 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,060 |
| Communication savante | 0,020 | 0,021 |
| Science ouverte | 0,006 | 0,015 |
| Intégrité de la recherche | 0,007 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».