The neglected millions: the global state of aquaculture workers’ occupational safety, health and well-being
Notice bibliographique
Résumé
A scoping project was funded by the Food and Agriculture Organization in 2017 on the health and safety of aquaculture workers. This project developed a template covering basic types of aquaculture production, health and safety hazards and risks, and related data on injuries and occupational ill health, regulations, social welfare conditions, and labour and industry activity in the sector. Profiles using the template were then produced for key aquaculture regions and nations across the globe where information could be obtained. These revealed both the scale and depth of occupational safety and health (OSH) challenges in terms of data gaps, a lack of or poor risk assessment and management, inadequate monitoring and regulation, and limited information generally about aquaculture OSH. Risks are especially high for offshore/marine aquaculture workers. Good practice as well as barriers to improving aquaculture OSH were noted. The findings from the profiles were brought together in an analysis of current knowledge on injury and work-related ill health, standards and regulation, non-work socioeconomic factors affecting aquaculture OSH, and the role of labour and industry in dealing with aquaculture OSH challenges. Some examples of governmental and labour, industry and non-governmental organisation good practice were identified. Some databases on injury and disease in the sector and research initiatives that solved problems were noted. However, there are many challenges especially in rural and remote areas across Asia but also in the northern hemisphere that need to be addressed. Action now is possible based on the knowledge available, with further research an important but secondary objective.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».