Bayesian Hierarchical Framework from Expert Elicitation in the South African Coal Mining Industry for Compliance Testing
Notice bibliographique
Résumé
Occupational exposure assessment is important in preventing occupational coal worker's diseases. Methods have been proposed to assess compliance with exposure limits which aim to protect workers from developing diseases. A Bayesian framework with informative prior distribution obtained from historical or expert judgements has been highly recommended for compliance testing. The compliance testing is assessed against the occupational exposure limits (OEL) and categorization of the exposure, ranging from very highly controlled to very poorly controlled exposure groups. This study used a Bayesian framework from historical and expert elicitation data to compare the posterior probabilities of the 95th percentile (P95) of the coal dust exposures to improve compliance assessment and decision-making. A total of 10 job titles were included in this study. Bayesian framework with Markov chain Monte Carlo (MCMC) simulation was used to draw a full posterior probability of finding a job title to an exposure category. A modified IDEA ("Investigate", "Discuss", "Estimate", and "Aggregate") technique was used to conduct expert elicitation. The experts were asked to give their subjective probabilities of finding coal dust exposure of a job title in each of the exposure categories. Sensitivity analysis was done for parameter space to check for misclassification of exposures. There were more than 98% probabilities of the P95 exposure being found in the poorly controlled exposure group when using expert judgments. Historical data and non-informative prior tend to show a lower probability of finding the P95 in higher exposure categories in some titles unlike expert judgments. Expert judgements tend to show some similarity in findings with historical data. We recommend the use of expert judgements in occupational risk assessment as prior information before a decision is made on current exposure when historical data are unavailable or scarce.
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 | 0,024 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».