Can operating room nurses accurately classify noise exposures?
Notice bibliographique
Résumé
Worker’s qualitative chemical exposure estimates when compared to estimates made by experts or with monitoring devices have been found to be accurate. But almost no research exists on worker’s ability to classify noise exposure. This investigation took place within a multi-hospital intervention study in which OR nurses completed a questionnaire at the end of each surgery and answered, ‘‘During this surgery could you easily hear: quiet talking, normal talking, or loud talking?’’ In 255 surgeries, noise was measured using a sound level meter, for a minimum of 15 min, while in 68 surgeries noise was measured for >70% of the surgery. In the 255 surgeries in which noise was measured for 15 min or >, it was found that nurses who heard quiet talking were exposed to 62.8 dB(A) and that nurses who heard normal or loud talking were exposed to 65.1 dB(A), a difference that was statistically significant (p=0.019). In the 68 surgeries where noise measurements lasted more than 70% of the surgery, nurses who heard quiet talking were exposed to 64.0 dB(A), while nurses who heard normal or loud talking were exposed to 67.3 dB(A), a difference that was borderline significant (p=0.07). Nurses can distinguish between noise that interferes with quiet talking during surgery and noise that does not. [Work funded by Ontarios Workplace Safety Insurance Board.]
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».