Ergonomic Evaluation of Current Advancements in Blueberry Harvesting
Notice bibliographique
Résumé
Work-related musculoskeletal disorders (MSDs) accounted for 32% of days-away-from-work cases in private industry in 2016. Several factors have been associated with MSDs, such as repetitive motion, excessive force, awkward and/or sustained postures, and prolonged sitting and standing, all of which are required in farm workers’ labor. While numerous epidemiological studies on the prevention of MSDs in agriculture have been conducted, an ergonomics evaluation of blueberry harvesting has not yet been systematically performed. The purpose of this study was to investigate the risk factors of MSDs for several types of blueberry harvesting (hand harvesting, semi-mechanical harvesting with hand-held shakers, and over-the-row machines) in terms of workers’ postural loads and self-reported discomfort using ergonomics intervention techniques. Five field studies in the western region of the United States between 2017 and 2018 were conducted using the Borg CR10 scale, electromyography (EMG), Rapid Upper Limb Assessment (RULA), the Cumulative Trauma Disorders (CTD) index, and the NIOSH (National Institute for Occupational Safety and Health) lifting equation. In evaluating the workloads of picking and moving blueberries by hand, semi-mechanical harvesting with hand-held shakers, and completely mechanized harvesting, only EMG and the NIOSH lifting equation were used, as labor for this system is limited to loading empty lugs and unloading full lugs. Based on the results, we conclude that working on the fully mechanized harvester would be the best approach to minimizing worker loading and fatigue. This is because the total component ratio of postures in hand harvesting with a RULA score equal to or greater than 5 was 69%, indicating that more than half of the postures were high risk for shoulder pain. For the semi-mechanical harvesting, the biggest problem with the shakers is the vibration, which can cause fatigue and various risks to workers, especially in the upper limbs. However, it would be challenging for small- and medium-sized blueberry farms to purchase automated harvesters due to their high cost. Thus, collaborative efforts among health and safety professionals, engineers, social scientists, and ergonomists are needed to provide effective ergonomic interventions.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».