Musculoskeletal Disorder Symptoms among Workers at an Informal Electronic-Waste Recycling Site in Agbogbloshie, Ghana
Notice bibliographique
Résumé
Informal recycling of electrical and electronic waste (e-waste) has myriad environmental and occupational health consequences, though information about the chronic musculoskeletal health effects on workers is limited. The aim of this study was to examine the prevalence and intensity of self-reported musculoskeletal disorder (MSD) symptoms among e-waste workers at Agbogbloshie in Ghana-the largest informal e-waste dumpsite in West Africa-relative to workers not engaged in e-waste recycling. A standardized musculoskeletal discomfort questionnaire was administered to 176 e-waste workers (73 collectors, 82 dismantlers, and 21 burners) and 41 workers in a reference group. The number of body parts with musculoskeletal discomfort were 1.62 and 1.39 times higher for collectors and dismantlers than burners, respectively. A 1-week discomfort prevalence was highest for collectors (91.8%) followed by dismantlers (89%), burners (81%), and the reference group (70.7%). The discomfort prevalence for e-waste workers was highest in the lower back (65.9%), shoulders (37.5%), and knees (37.5%). Whole-body pain scores (mean ± SE) were higher for collectors (83.7 ± 10.6) than dismantlers (45.5 ± 7.6), burners (34.0 ± 9.1), and the reference group (26.4 ± 5.9). Differences in prevalence, location, and intensity of MSD symptoms by the e-waste job category suggest specific work-related morbidity. Symptom prevalence and intensity call attention to the high risk for MSDs and work disability among informal e-waste workers, particularly collectors and dismantlers.
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 | 0,003 | 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 | 0,001 |
| 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 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 ».