Systemic barriers to reporting work injuries and illnesses in contexts of language barriers
Notice bibliographique
Résumé
BACKGROUND: Workers who experience language barriers are at increased risk of work-related injuries and illnesses and face difficulties reporting these health problems to their employer and workers' compensation. In the existing occupational health and safety literature, however, such challenges are often framed in individual-level terms. We identify systemic barriers to reporting among injured workers who experience language barriers within the varying contexts of Ontario and Quebec, Canada. METHODS: This study merges data from two qualitative studies that investigated experiences with workers' compensation and return-to-work, respectively, for injured workers who experience language barriers. We conducted semi-structured interviews with 39 workers and 70 stakeholders in Ontario and Quebec. Audio recordings were transcribed and coded using NVivo software. The data was analysed thematically and iteratively. RESULTS: Almost all workers (34/39) had filed a claim, though most had initially delayed reporting their injuries or illnesses to their employer or to workers' compensation. Workers faced several obstacles to reporting, including confusion surrounding the cause and severity of injuries and illnesses; lack of information, misinformation, and disinformation about workers' compensation; difficulties accessing and interacting with care providers; fear and insecurity linked to precarity; claim suppression by employers; negative perceptions of, and experiences with, workers' compensation; and lack of supports. Language barriers amplified each of these difficulties, resulting in significant negative impacts in economic, health, and claim areas. CONCLUSION: Improving the linguistic and cultural competence of organizations and their representatives is insufficient to address under-reporting among workers who experience language barriers. Efforts to improve timely reporting must tackle the policies and practices that motivate and enable under-reporting for workers, physicians, and employers.
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,009 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».