Trends in OSHA Compliance Monitoring Data 1979–2011: Statistical Modeling of Ancillary Information across 77 Chemicals
Notice bibliographique
Résumé
OBJECTIVES: The Integrated Management Information System (IMIS) is the largest multi-industry source of exposure measurements available in North America. However, many have suspected that the criteria through which worksites are selected for inspection are related to exposure levels. We investigated associations between exposure levels and ancillary variables in IMIS in order to understand the predictors of high exposure within an enforcement context. METHODS: We analyzed the association between nine variables (reason for inspection, establishment size, total amount of penalty, Occupational Safety and Health Administration (OSHA) plan, OSHA region, union status, inspection scope, year, and industry) and exposure levels in IMIS using multimodel inference for 77 agents. For each agent, we used two different types of models: (i) logistic models were used for the odds ratio (OR) of exposure being above the threshold limit value (TLV) and (ii) linear models were used for exposure concentrations restricted to detected results to estimate percent increase in exposure level, i.e. relative index of exposure (RIE). Meta-analytic methods were used to combine results for each variable across agents. RESULTS: A total of 511,047 exposure measurements were modeled for logistic models and 299,791 for linear models. Higher exposures were measured during follow-up inspections than planned inspections [meta-OR = 1.61, 95% confidence interval (CI): 1.44-1.81; meta-RIE = 1.06, 95% CI: 1.03-1.09]. Lower exposures were observed for measurements collected under state OSHA plans compared to measurements collected under federal OSHA (meta-OR = 0.82, 95% CI: 0.73-0.92; meta-RIE = 0.86, 95% CI: 0.81-0.91). A 'high' total historical amount of penalty relative to none was associated with higher exposures (meta-OR = 1.54, 95% CI: 1.40-1.71; meta-RIE = 1.18, 95% CI: 1.13-1.23). CONCLUSIONS: The relationships observed between exposure levels and ancillary variables across a vast majority of agents suggest that certain elements of OSHA's process of selecting worksites for inspection influence the exposure levels that OSHA inspectors encounter. Nonetheless, given the paucity of other sources of exposure data and the lack of a more demonstrably representative data source, our study considers the use of IMIS data for the estimation of exposures in the broader universe of worksites in the USA.
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 | 0,000 | 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 | 0,000 | 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 ».