37 Functional Requirements to Develop a new Risk Assessment Model for Exposure to Biological Agents
Notice bibliographique
Résumé
Abstract Within Occupational Risk Prevention, the assessment of risks due to exposure to biological agents has received little attention compared to risks such as those arising from chemicals. This was the case until the impact of the COVID-19 pandemic highlighted the importance of health effects related to exposure to biological agents in the work environment. However, the tools for hazard inventory, risk assessment, and implementation of control measures for biological agents are scarce. There are many reasons that make it challenging for OHS professionals to assess the exposure to biological agents such as, little knowledge on the biological agents potentially present in the different economic activities, their effects on health, the lack of standardized methods for quantitative sampling or the lack of reference values available for most biological agents. Different qualitative risk assessment tools for biological agents have been developed over the last decades. Some examples are the Simplified Evaluation of the INSST (Spain), the Biogaval-Neo of the INVASSAT (Spain), the Bioaerosol Tool of the IRSST (Canada) or the RIE Method of the NKAL (The Netherlands). These tools differ from each other in terms of their scope and the parameters used to determine risk and were compared in order to better understand their limitations and applicability. After the comparison was carried out some additional specific parameters have been proposed as essential for the development of this new model. The proposed improvements could be implemented in the development of a new qualitative biological risk assessment model in the Stoffenmanager® tool.
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 | 0,001 | 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 ».