Geographic variation in work injuries: a multilevel analysis of individual-level data and area-level factors within Canada
Notice bibliographique
Résumé
PURPOSE: This study sought to examine provincial variation in work injuries and to assess whether contextual factors are associated with geographic variation in work injuries. METHODS: Individual-level data from the 2003 and 2005 Canadian Community Health Survey was obtained for a representative sample of 89,541 Canadians aged 15 to 75 years old who reported working in the past 12 months. A multilevel regression model was conducted to identify geographic variation and contextual factors associated with the likelihood of reporting an activity limiting work injury [corrected], while adjusting for demographic and work variables. RESULTS: Provincial differences in work injuries were observed, even after controlling for other risk factors. Workers in western provinces such as Saskatchewan (adjusted odds ratio [AOR], 1.30; 95% confidence interval [CI], 1.09-1.55), Alberta (AOR, 1.31; 95% CI, 1.13-1.51), and British Columbia (AOR, 1.46; 95% CI, 1.26-1.71) had a higher risk of work injuries compared with Ontario workers. Indicators of area-level material and social deprivation were not associated with work injury risk. CONCLUSIONS: Provincial differences in work injuries suggest that broader factors acting as determinants of work injuries are operating across workplaces at a provincial level. Future research needs to identify the provincial determinants and whether similar large area-level factors are driving work injuries in other countries.
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 | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».