Enhancing a Job Exposure Matrix for Sun Exposure in Outdoor Workers Using Satellite Data
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: A typical process for producing job exposure matrices (JEM) uses measured exposure data to inform estimates of exposure by job and/or industry. For solar ultraviolet radiation (UV), quantitative data are not available, so modified approaches must be used. Methods: Via the CAREX Canada project, we used an Australian skin cancer prevention workbook to identify high-exposed jobs (spending >75% of the workday outside). For other exposure categories, we used career-selection websites that describe tasks by job and include information on outdoor work (and amount). This allowed the creation of a low-exposed category, as well as 2 moderate categories. We applied estimated proportions of workers exposed by categories to 2006 Canadian census data to obtain estimates of people exposed by industry, occupation, and sex. To enhance the JEM, we applied weightings using NASA Total Ozone Mapping Spectrometer (TOMS) satellite data to account for variation in maximum available UV in July, as well as mean UV over the summer by location. Results: Approximately 1.5 million Canadians are exposed to solar UV at work (1 in 10 workers), 83% of these are male. Major industries include construction (343,000 exposed) and farming (264,000). Variations by province occur both because of industry breakdown, but also because of available UV as estimated by satellite data. Conclusion: JEMs are a convenient way to assess exposure to carcinogens at a population level (where exposure cannot be assessed individually), and using a novel combination of workbooks, career selection websites, and satellite data has created a more powerful JEM for use in epidemiologic studies. This JEM is now being used to assign exposure in several population-based cancer studies.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle