Safety climate, safety behaviors and line-of-duty injuries in the fire service
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to test an initial model of safety climate for firefighting. Relationships between safety climate, safety behaviors and firefighter injuries were examined. Design/methodology/approach – Data were collected from 398 professional firefighters in the southeastern USA. Structural equation modeling, using a zero-inflated Poisson regression method, was used to complete the analyses. Findings – Safety climate, as a higher order factor, was comprised of four factors including management commitment to safety, supervisor support for safety, safety programs/policies and safety communication. Both safety compliance behaviors and safety participation behaviors were significantly, positively associated with safety climate. Both behaviors were deemed protective and were associated with reductions in injury. Safety climate relations to injury were interesting, but somewhat ambiguous. Safety climate significantly predicted membership in the “always zero” injury group. For those not in the “always zero” group, the relationship between safety climate and injury was positive, which was not completely surprising as direct relationships between safety climate and injury have been insignificant and opposite to predictions in studies using retrospective data and may be attributed to reverse causation. Originality/value – This novel study illustrates the importance of both organizational and work unit factors in helping shape safety climate perceptions among firefighters. The results also support the safety climate – behavior – injury model and show that a positive safety climate encourages safer behaviors among firefighters. Lastly, the findings confirm that both safety compliance behaviors and safety participation behaviors are important to reducing individual firefighter injury experience.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».