Time-motion analysis as a novel approach for evaluating the impact of environmental heat exposure on labor loss in agriculture workers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: In this study we (i) introduced time-motion analysis for assessing the impact of workplace heat on the work shift time spent doing labor (WTL) of grape-picking workers, (ii) examined whether seasonal environmental differences can influence their WTL, and (iii) investigated whether their WTL can be assessed by monitoring productivity or the vineyard manager's estimate of WTL. Methods: Seven grape-picking workers were assessed during the summer and/or autumn via video throughout four work shifts. Results: Air temperature (26.8 ± 4.8°C), wet bulb globe temperature (WBGT; 25.2 ± 4.1°C), universal thermal climate index (UTCI; 35.2 ± 6.7°C), and solar radiation (719.1 ± 187.5 W/m2) were associated with changes in mean skin temperature (1.7 ± 1.8°C) (p < 0.05). Time-motion analysis showed that 12.4% (summer 15.3% vs. autumn 10.0%; p < 0.001) of total work shift time was spent on irregular breaks (WTB). There was a 0.8%, 0.8%, 0.6%, and 2.1% increase in hourly WTB for every degree Celsius increase in temperature, WBGT, UTCI, and mean skin temperature, respectively (p < 0.01). Seasonal changes in UTCI explained 64.0% of the seasonal changes in WTL (p = 0.017). Productivity explained 36.6% of the variance in WTL (p < 0.001), while the vineyard manager's WTL estimate was too optimistic (p < 0.001) and explained only 2.8% of the variance in the true WTL (p = 0.456). Conclusion: Time-motion analysis accurately assesses WTL, evaluating every second spent by each worker during every work shift. The studied grape-picking workers experienced increased workplace heat, leading to significant labor loss. Monitoring productivity or the vineyard manager's estimate of each worker's WTL did not completely reflect the true WTL in these grape-picking workers.
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.
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 | 0,000 |
| 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) | 0,001 | 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 découle