A media surveillance analysis of COVID-19 workplace outbreaks in Canada and the United States
Notice bibliographique
Résumé
A media surveillance analysis was conducted to identify COVID-19 workplace outbreaks and associated transmission risk for new and emerging occupations. We identified 1,111 unique COVID-19 workplace outbreaks using the Factiva database. Occupations identified in the media articles were coded to the 2016 National Occupational Classification (V1.3) and were compared and contrasted with the same occupation in the Vancouver School of Economics (VSE) COVID Risk/Reward Assessment Tool by risk rating. After nurse aides, orderlies, and patient service associates ( n = 109, very high risk), industrial butchers and meat cutters, and poultry preparers and related workers had the most workplace outbreaks reported in the media ( n = 79) but were rated as medium risk for COVID-19 transmission in the VSE COVID Risk Tool. Outbreaks were also reported among material handlers ( n = 61) and general farm workers ( n = 28), but these occupations were rated medium–low risk and low risk, respectively. Food and beverage services ( n = 72) and cashiers ( n = 60) were identified as high-risk occupations in the VSE COVID Risk Tool. Differences between the media results and the risk tool point to key determinants of health that compound the risk of COVID-19 exposure in the workplace for some occupations and highlight the importance of collecting occupation data during a pandemic.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».