Indicators to assess physiological heat strain – Part 3: Multi-country field evaluation and consensus recommendations
Notice bibliographique
Résumé
In a series of three companion papers published in this Journal, we identify and validate the available thermal stress indicators (TSIs). In this third paper, we conducted field experiments across nine countries to evaluate the efficacy of 61 meteorology-based TSIs for assessing the physiological strain experienced by individuals working in the heat. We monitored 372 experi-enced and acclimatized workers during 893 full work shifts. We continuously assessed core body temperature, mean skin temperature, and heart rate data together with pre/post urine specific gravity and color. The TSIs were evaluated against 17 published criteria covering physiological parameters, practicality, cost effectiveness, and health guidance issues. Simple meteorological parameters explained only a fraction of the variance in physiological heat strain (R2 = 0.016 to 0.427; p < 0.001), reflecting the importance of adopting more sophisticated TSIs. Nearly all TSIs correlated with mean skin temperature (98%), mean body temperature (97%), and heart rate (92%), while 66% of TSIs correlated with the magnitude of dehydration and 59% correlated with core body temperature (r = 0.031 to 0.602; p < 0.05). When evaluated against the 17 published criteria, the TSIs scored from 4.7 to 55.4% (max score = 100%). The indoor (55.4%) and outdoor (55.1%) Wet-Bulb Globe Temperature and the Universal Thermal Climate Index (51.7%) scored higher compared to other TSIs (4.7 to 42.0%). Therefore, these three TSIs have the highest potential to assess the physiological strain experienced by individuals working in the heat.
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 | 0,249 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».