Developing a tool for identifying high-risk employers for inspection
Notice bibliographique
Résumé
BACKGROUND: Workers' Compensation Board (WCB) data and other information are sometimes used to calculate an 'Occupational Health and Safety (OHS) index' as a way of identifying businesses considered 'high risk' to be inspected as part of enforcement work. However, no evidence on the validity of this index exists. AIMS: To evaluate the performance of the Alberta OHS index, a 'score' based largely on WCB claims data, and to see if an index calculated using different information could perform better. METHODS: Data from the Alberta Compliance Management Information System database, 2011-2015, and WCB claim database, 2007-2014, were retrieved. Issuing 'stop work' or 'stop use' orders in inspections was defined as a proxy of high-risk outcome. The performance of the current and a modified OHS index were assessed using receiver operating characteristics (ROC) and regression analyses. RESULTS: In large employers, neither the current nor the modified OHS index was particularly effective in identifying 'high risk' employers with the area under the ROC curve (AROC) of 0.55 (95% confidence interval [CI] 0.52-0.57; P < 0.001) and 0.59 (95% CI 0.57-0.62; P < 0.001), respectively. In small employers, neither index seemed very effective with an AROC of 0.54 (95% CI 0.53-0.56; P < 0.001) and 0.55 (95% CI 0.53-0.56; P < 0.001), respectively. These results were consistent in subgroup analyses of assignments without specific initiatives, both in large and small employers. CONCLUSIONS: Neither the current nor a modified OHS index seemed to effectively identify high-risk employers. Heterogeneous results in large and small employers suggest that approaches to different-sized employers are appropriate.
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 | 0,002 | 0,011 |
| 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 | 0,007 | 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 ».