Female Firefighter Work-Related Injuries in the United States and Canada: An Overview of Survey Responses
Notice bibliographique
Résumé
Objectives: This study explored how demographic characteristics, life experiences, and firefighting experiences have an impact on work-related injuries among female firefighters, and described events surrounding such work-related injuries. Methods: This online survey was available from June 2019 to July 2020. Questions related to demographic characteristics, life experiences, firefighting experiences, and work-related injuries. Descriptive analyses characterized variables by the presence or absence of work-related injury, injury severity, job assignment, and country of residence. Results: There were 1,160 active female firefighter survey respondents from the US and Canada, 64% of whom reported having at least one work-related injury. US respondents made up 67% of the total but 75% of the injured sample. Injured respondents were older, had been in the fire service longer, and had a greater number of fires and toxic exposures than non-injured respondents. Heavier weight, tobacco use, and alcohol consumption were more common among injured respondents. The two most common contributing factors to work-related injuries were human error and firefighter fatigue. Among respondents who reported an injury-related time loss claim, 69% were wearing protective equipment when injured, and 9% of the injuries directly resulted in new policy implementation. Conclusions: These findings can help inform resource allocation, and development of new policies and safety protocols, to reduce the number of work-related injuries among female firefighters.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».