Potential barriers to engineered noise control in food and beverage manufacturing in British Columbia, Canada: A qualitative study
Notice bibliographique
Résumé
OBJECTIVE: Noise is probably the most ubiquitous of occupational hazards. While many jurisdictions require hearing conservation programs (HCP), the most effective intervention-engineered noise controls (ENC)-is rarely implemented. We used a qualitative study design to investigate barriers to the implementation of ENC. DESIGN & STUDY SAMPLE: Fifty-five individuals at eight food and beverage manufacturers participated. In-depth interviews were conducted and analysed using grounded theory techniques. HCP audits provided contextual information. RESULTS: None of the companies had fully implemented HCP as required by regulation. Many factors emerged as possible barriers to the implementation of engineered noise control, including: poor knowledge of relevant regulations, noise reduction options and the health impacts of noise; weak technical skills and experience; low ranking of noise as a hazard by stakeholders; issues around job insecurity, weak language skills; lack of 'quiet' machine options and information from equipment manufacturers; poor employer-regulator relationships; barriers to employee-employer reporting; informal valuation of ENC costs; and feasibility issues. CONCLUSIONS: Potential barriers to the implementation of ENC were identified, and classified at three levels at which they operated. Many barriers could be addressed by a more rigorous application of existing HCP regulation and improvements in education, technical support, and regulatory enforcement.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».