Establishing heat stress indicators for work in a warming world: multi-country field evaluation and consensus recommendations
Notice bibliographique
Résumé
BACKGROUND AND AIM: One third of the world labour force is frequently exposed to high heat stress at work, leading to significant health and labour implications. In a series of studies, we identified and validated the available thermal stress indicators (TSIs) for their capacity to protect individuals who work in the heat. METHODS: We conducted a systematic review to identify all TSIs and provide reliable information regarding their use. Then, we identified the criteria to consider when adopting a TSI and we weighed their relative importance using a Delphi exercise with 20 experts from 12 countries. Finally, we conducted field experiments across nine countries (372 workers during 893 full work shifts) to evaluate the efficacy of the meteorology-based TSIs for protecting individuals working in the heat. RESULTS: Our search identified 340 instruments and indicators developed between 200 BC and 2019 AD. Of these, 187 can be mathematically calculated utilizing only meteorological data. Of these meteorology-based TSIs, 127 were developed for people who are physically active, and 61 of those are eligible for use in occupational settings. Two Delphi iterations were adequate to reach consensus within the expert panel (Cronbach’s α=0.86) for 17 criteria with varying weights to be considered when adopting a TSI. These criteria considered physiological parameters such as core/skin/mean body temperature, heart rate, and hydration status, as well as practicality, cost effectiveness, and health guidance issues. In the third study, when evaluated against the 17 Delphi criteria, the 61 meteorology-based TSIs for occupational settings scored from 4.7 to 55.4%. The indoor (55.4%) and outdoor (55.1%) Wet-Bulb Globe Temperature and the Universal Thermal Climate Index (51.7%) scored higher compared to other TSIs (4.7-42.0%). CONCLUSIONS: We found that three TSIs are more efficacious and should be adopted to support evidence-based decision making and protect individuals who work in the heat.
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 | 0,537 | 0,468 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,022 | 0,012 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,012 | 0,018 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».