Agriculture-related Injuries: Discussion in Canadian Media
Notice bibliographique
Résumé
Objectives: This study examined news media reporting on farm injuries in Canada for the occurrence of prevention messages and factors related to whether an event was reported in more than one article.Methods: This study used a media database maintained by the Canadian Agricultural Safety Association (CASA), which stores publicly available news media reports of agricultural injuries and fatalities in Canada. Media reports were obtained for the years 2010 through 2017. Reports were coded as whether they reported a fatal or non-fatal injury, age and gender of those affected, urban or rural media, as well as whether they involved machinery, or were in French. Logistic regression was used to determine which variables predicted an event being reported more than once, and whether a report included a prevention message.Results: The database identified 856 relevant articles. Only 6.3% of the articles included a prevention message, and 34.7% were duplicate articles. Fatal injuries were more likely to be reported in multiple articles (odds ratio: 2.44). There was also significant variation in the occurrence of multiple reports across the years of the study. Prevention messages were more likely to occur when at least one child or female victim was involved in an event. However, only year of publication remained significantly associated with the occurrence of a prevention message in multivariable regression (odds ratio: 0.85).Conclusion: Prevention messages are rare in media reporting of farm injuries and are decreasing over time. Improved reporting is needed to aid in farm injury prevention.
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 | 0,008 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,020 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».