Safety Culture: A Retrospective Analysis of Occupational Health and Safety Mining Reports
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: In the mining industry, various methods of accident analysis have utilized official accident investigations to try and establish broader causation mechanisms. An emerging area of interest is identifying the extent to which cultural influences, such as safety culture, are acting as drivers in the reoccurrence of accidents. Thus, the overall objective of this study was to analyze occupational health and safety (OHS) reports in mining to investigate if/how safety culture has historically been framed in the mining industry, as it relates to accident causation. METHODS: Using a computer-assisted qualitative data analysis software, 34 definitions of safety culture were analyzed to highlight key terms. Based on word count and contextual relevance, 26 key terms were captured. Ten OHS reports were then analyzed via an inductive thematic analysis, using the key terms. This analysis provided a concept map representing the 50-year data set and facilitated the use of text framing to highlight safety culture in the selected OHS mining reports. RESULTS: Overall, 954 references and six themes, safety culture, attitude, competence, belief, patterns, and norms, were identified in the data set. Of the 26 key terms originally identified, 24 of them were captured within the text. The results made evident two distinct frames in which to interpret the data: the role of the individual and the role of the organization, in safety culture. CONCLUSION: Unless efforts are made to understand and alter cultural drivers and share these findings within and across industries, the same accidents are likely to continue to occur.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle