Comparing FRAM and STAMP for occupational health and safety (OHS) and operational risks analysis: the case of data gloves in assembly 4.0 production
Notice bibliographique
Résumé
known risk factor for motor vehicle crashes (MVCs).However, because it is a self-reported questionnaire, there are several limitations of ESS and the usefulness of ESS for predicting MVC is still disputable.Thus, we conducted a cross-sectional study to examine the association between ESS and MVC among Japanese taxi drivers.Material and Methods: Participants of our study consisted of 1,376 Japanese male taxi drivers.DS was assessed by ESS, and total ESS scores were categorized into quartile groups.MVC episode during the past five years was assessed by a self-administrated questionnaire.The multivariable generalized linear model was used to examine the association between ESS and MVC after adjusting for age, sex, body mass index, having snoring, sleep hours, length of service and driving distance per year.Results: The median (inter quartile range) ESS score was 4 (2:e6 ) and the proportion of MVC was 59.9 %.The prevalence ratio (95% confidence interval) of MVC for the highest quartile of ESS score was 1.18 (1.05e1.32),compared to the lowest quartile of ESS score (p for trend <0.01).Conclusions: We found a significant association between ESS and MVC among Japanese male taxi drivers after adjustment for potential confounders, despite relatively low mean ESS score of this study population.Further longitudinal studies are needed to elucidate the usefulness of ESS as a predictor of sleep-related MVCs among commercial drivers. 007
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 | 0,023 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».