Derivation of Time-Activity Data Using Wearable Cameras and Measures of Personal Inhalation Exposure among Workers at an Informal Electronic-Waste Recovery Site in Ghana
Notice bibliographique
Résumé
OBJECTIVES: Approximately 2 billion workers globally are employed in informal settings, which are characterized by substantial risk from hazardous exposures and varying job tasks and schedules. Existing methods for identifying occupational hazards must be adapted for unregulated and challenging work environments. We designed and applied a method for objectively deriving time-activity patterns from wearable camera data and matched images with continuous measurements of personal inhalation exposure to size-specific particulate matter (PM) among workers at an informal electronic-waste (e-waste) recovery site. METHODS: One hundred and forty-two workers at the Agbogbloshie e-waste site in Accra, Ghana, wore sampling backpacks equipped with wearable cameras and real-time particle monitors during a total of 171 shifts. Self-reported recall of time-activity (30-min resolution) was collected during the end of shift interviews. Images (N = 35,588) and simultaneously measured PM2.5 were collected each minute and processed to identify activities established through worker interviews, observation, and existing literature. Descriptive statistics were generated for activity types, frequencies, and associated PM2.5 exposures. A kappa statistic measured agreement between self-reported and image-based time-activity data. RESULTS: Based on image-based time-activity patterns, workers primarily dismantled, sorted/loaded, burned, and transported e-waste materials for metal recovery with high variability in activity duration. Image-based and self-reported time-activity data had poor agreement (kappa = 0.17). Most measured exposures (90%) exceeded the World Health Organization (WHO) 24-h ambient PM2.5 target of 25 µg m-3. The average on-site PM2.5 was 81 µg m-3 (SD: 94). PM2.5 levels were highest during burning, sorting/loading and dismantling (203, 89, 83 µg m-3, respectively). PM2.5 exposure during long periods of non-work-related activities also exceeded the WHO standard in 88% of measured data. CONCLUSIONS: In complex, informal work environments, wearable cameras can improve occupational exposure assessments and, in conjunction with monitoring equipment, identify activities associated with high exposures to workplace hazards by providing high-resolution time-activity data.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».