Characteristics of the grey fleet in British Columbia
Notice bibliographique
Résumé
Background: Data from around the world would suggest that attention to safety during work-related driving should be a priority as traffic accidents are the leading cause of work-related injury, death and absence from work in many countries. Purpose: This study examines the characteristics of the grey fleet (those who drive personal vehicles for the purposes of work), and the road safety programs that are presently in place in British Columbia. Method: A lGrey Fleet Employer Surveyr was distributed via email to a random sample of 15% of all employers in British Columbia Of 5023 emails delivered successfully 531 respondents were captured in the data (10.6% response), of which 104 declined participation leaving 427 who completed surveys (8.4% response rate). Results: Of those companies responding 64.4% of them reported having a grey fleet with 36.6% of employees from small companies (4-19 employees), 21.0% of the employees from medium (20-99 employees) and 12.2% of employees from large (100+ employees) companies driving personal vehicles for work-related purposes. Of those employers reporting a grey fleet 75.2% checked to make sure employees who drove had a valid driversr licence, typically at the time of hire (70.5), with 39% checking on an annual basis. Few companies (17.8%) required employees to inspect their own vehicles before starting each trip. The majority of employers (74.6%) believed it was the employeers responsibility to inspect their own private vehicles, and this was true across small (73.6%), medium (73.6%) and large (77.8%) employers. Conclusion: Employers who use grey fleets are not certain of their legal requirements under Workerrs Compensation Act (duty of care), and education and training is required concerning the employer and employee responsibilities concerning driving safety.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».