Safety education: culture, leadership and learning in the workplace: a critical discourse analysis
Notice bibliographique
Résumé
A challenge of our time is that workplace fatality and injury rates have remained consistent for the past 25 years (AWCBC, 2017, Table 22). According to Association of Workers Compensation Boards of Canada statistics, since 1993 approximately 1000 workers have been killed on the job every year. The human and financial costs of these failures are high, so major incident reports are produced as means to guide how industries and corporations need to move forward on education, learning and safety as a whole. Questioning what these reports actually say is a necessity in terms of adult education for safety, but there is little in the literature that shows any focus in this area. Yet these reports are important because what they tell us, or do not, guides the future. Using critical discourse and content analysis, my study explored primarily one major accident report – The Report of the BP U.S. Refineries Independent Safety Review Panel (2007) – written in response to the 2005 BP Texas City Refinery accident. I chose this as it is very comprehensive report, available publicly, and is similar to many that have been produced. Findings show that on one hand, the Baker Panel actively worked to hold BP accountable for the accident, calling out the company for poor training programs and leadership staffing, indiscriminate cost-cutting and lack of investment, as well as tolerating unrealistic production pressures. In various ways, the panel named capitalism’s and profit over safety as problematic. However, the report also perpetuates a rigid, narrow view of leadership, bases its recommendations in part on the ‘myth’ of a safety culture, does not recognise workers’ knowledge, does not appear to understand or suggest anything around the importance of informal learning and mentions little about the important concept of mentorship. Further, it maintains a technical-rational status quo, supporting, even promoting, the existence of a ‘traditional’ corporate infrastructure framework that oppresses workers and inhibits their 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 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 | 0,023 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,017 | 0,039 |
| Communication savante | 0,020 | 0,020 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».