Determinants of injury among older Saskatchewan farm operators: A prospective cohort study
Notice bibliographique
Résumé
SIGNIFICANCE: The agricultural industry differs from other businesses in the composition of its workforce. Often farm owner-operators work beyond what society would expect to be a normal retirement age. Older farmers may be less receptive to behavioral changes designed to improve worksite safety and are at increased risk for experiencing a work-related injury. We had a unique opportunity to evaluate the relative influence of specific occupational conditions and practices reported by older farm operators (age ≥55 years) on the occurrence of injury using a longitudinal approach. MATERIALS AND METHODS: Baseline data were provided by eligible and consenting farm members in the first quarter of 2013. These farms were then followed longitudinally by mail surveys over 24 months to document injury experiences. For each survey, mailed questionnaires were sent to participating farms and completed by a single respondent. Cox proportional hazard models were used to determine which characteristics of the farm work environment were protective. RESULTS: A total of 96 farm injuries were reported by 73 of 566 farm operators. Medium (hazard ratio [HR] = 0.58; confidence interval [CI], 0.35-0.96) or high (HR = 0.53; CI, 0.30-0.94) worksite physical safety and high economic security (HR = 0.41; CI, 0.24-0.71) were protective in reducing injury among older farmers. CONCLUSION: Safety features in the physical environment and economic security are important protective factors for injury among older farmers. This supports injury prevention theory that suggests that engineering controls are superior to changes in work practices or the use of personal protective equipment in reducing injuries among older farmers.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».