Biais de genre dans la reconnaissance des maladies professionnelles : l’exemple des troubles musculosquelettiques (TMS) en Italie et en Suisse
Notice bibliographique
Résumé
Contexte. La compréhension des disparités de genre en santé au travail, en particulier dans le système d’indemnisation, est nécessaire pour développer la prévention. Objectif. Description de la déclaration et reconnaissance des troubles musculosquelettiques (TMS) comme maladies professionnelles dans deux pays, la Suisse et l’Italie, pour mettre en évidence les différences de genre. Sources de données. Statistiques des systèmes d’assurance contre les risques professionnels en Suisse et en Italie. Résultats. Un moindre taux d’acceptation des TMS déclarés par les femmes apparaît dans les deux pays. Il est mis en rapport avec des processus propres à chaque système d’indemnisation, notamment la liste des maladies professionnelles en Italie, et l’interprétation des données scientifiques et la jurisprudence en Suisse. Discussion. L’analyse confirme l’existence de différences de genre dans la reconnaissance des maladies professionnelles, déjà mises en évidence dans d’autres pays (Canada et Belgique). Des statistiques nationales intégrant le genre et leur monitorage seraient utiles pour favoriser la prévention des TMS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».