MétaCan
Menu
Retour à la cohorte
Enregistrement W2913608008 · doi:10.3390/ijerph16040597

Heat Waves Occurrence and Outdoor Workers’ Self-assessment of Heat Stress in Slovenia and Greece

2019· article· en· W2913608008 sur OpenAlexaff
Tjaša Pogačar, Zala Žnidaršič, Lučka Kajfež Bogataj, Andreas D. Flouris, Konstantina Poulianiti, Zalika Črepinšek

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesHorizon 2020 Framework Programme
Mots-clésHeat waveHeat stressProductivityEnvironmental healthHeat exhaustionEnvironmental scienceExcess heatMedicineTimelineClimate changePoison controlGeographyAtmospheric sciencesEngineeringEconomic growth

Résumé

récupéré en direct d'OpenAlex

Changing patterns of heat waves are part of the global warming effect and the importance of changes is reinforced by their negative impact on society. Firstly, heat waves were analyzed in Brnik (Slovenia) and Larisa (Greece) in the period 1981–2017 to reflect the environment which workers are exposed to. Secondly, outdoor workers (70 from Greece, 216 from Slovenia) provided a self-assessment of heat stress. The heat wave timeline is presented as an effective way of illustrating long-term changes in heat waves’ characteristics for various stakeholders. In both countries, workers assessed as significant the heat stress impact on productivity (Greece 69%, Slovenia 71%; p > 0.05), and in Slovenia also on well-being (74%; p < 0.01). The main experienced symptoms and diseases were thirst (Greece 70%, Slovenia 82%; p = 0.03), excessive sweating (67%, 85%; p = 0.01), exhaustion (51%, 62%; p > 0.05) and headache (44%, 53%; p > 0.05). The most common way to reduce heat stress was drinking more water (Greece 64%, Slovenia 82%; p = 0.001). Among the informed workers, the prevalent source of information was discussions. Therefore, educational campaigns are recommended, together with the testing of the efficiency of mitigation measures that will be proposed on the Heat-Shield project portal.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,680

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,409
Écart entre enseignants0,329 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations41
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetClimate Change and Health ImpactsTravaux en français237 207