Cross‐National Comparisons and Correlates of Harms From the Drinking of People With Whom You Work
Notice bibliographique
Résumé
BACKGROUND: While research in high-income countries (HICs) has established high costs associated with alcohol's harm to others (AHTO) in the workplace, scant attention has been paid to AHTO in the workplace in lower- or middle-income countries (LMICs). AIM: To compare estimates and predictors of alcohol's impacts upon coworkers among workers in 12 countries. METHODS: Cross-sectional surveys from 9,693 men and 8,606 women employed in Switzerland, Australia, the United States, Ireland, New Zealand, Chile, Nigeria, Lao PDR, Thailand, Vietnam, India, and Sri Lanka. Five questions were asked about harms in the past year because of coworkers' drinking: Had they (i) covered for another worker; (ii) worked extra hours; (iii) been involved in an accident or close call; or had their (iv) own productivity been reduced; or (v) ability to do their job been affected? Logistic regression and meta-analyses were estimated with 1 or more harms (vs. none) as the dependent variable, adjusting for age, sex, rurality of location, and the respondent worker's own drinking. RESULTS: Between 1% (New Zealand) and 16% (Thailand) of workers reported that they had been adversely affected by a coworker's drinking in the previous year (with most countries in the 6 to 13% range). Smaller percentages (<1% to 12%) reported being in an accident or close call due to others' drinking. Employed men were more likely to report harm from coworkers' drinking than employed women in all countries apart from the United States, New Zealand, and Vietnam, and own drinking pattern was associated with increased harm in 5 countries. Harms were distributed fairly equally across age and geographic regions. Harm from coworkers' drinking was less prevalent among men in HICs compared with LMICs. CONCLUSIONS: Workforce impairment because of drinking extends beyond the drinker in a range of countries and impacts productivity and economic development, particularly affecting men in LMICs.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».