How Can Quantitative Analysis Be Used to Improve Occupational Health without Reinforcing Social Inequalities? An Examination of Statistical Methods
Notice bibliographique
Résumé
Taking account of sex and gender in occupational health studies poses statistical challenges. Other sociodemographic variables, such as racialization, class, and age, also affect the relations between workplace exposures and health and interact with sex and gender. Our objective was to perform a critical review of conventional and emerging statistical tools, examining whether each analysis takes account of sociodemographic variables (1) in a way that contributes to identification of critical occupational determinants of health (2) while taking account of relevant population characteristics to reflect intersectional approaches to health and (3) using sample sizes and population characteristics available to researchers. A two-step search was conducted: (1) a scientific watch concerning the statistical tools most commonly used in occupational health over the past 20 years; (2) a screening of the 1980-2022 literature with a focus on emerging tools. Our examination shows that regressions with adjustment for confounders and stratification fail to reveal the sociodemographic mechanisms that interact with occupational health problems, endangering the identification of occupational risks. Multilevel (notably MAIHDA) analyses, decision tree, cluster, and latent analyses are useful methods to consider when seeking to orientate prevention. Researchers should consider methods that adequately reveal the mechanisms connecting sociodemographic variables and occupational health outcomes.
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 | 0,031 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».