The Relationship Of Injury Epidemiology In Canadian Wildland Firefighters During A Busy Fire Season
Notice bibliographique
Résumé
Climate change has led to more frequent, intense, and longer wildfire seasons and has increased the number of injuries and fatalities sustained by Wildland Firefighters (WLFF). No studies have examined the impacts of climate change and increasingly busy fire seasons on injury epidemiology. PURPOSE: This study examined the relationship between injury types, location of the injury, assignment when injured, and participant characteristics (gender, age, and years of experience) of Canadian WLFF in a busy fire season. METHODS: We examined injury data from British Columbia Wildfire Service’s Occupational Health and Safety Incident Tracking database for 2021. Descriptive analysis and measure of central tendency were used to observe the relationships between injury types, location of injury and assignment when injured. Associations between injury types, location of the injury, assignment when injured, and participant characteristics (gender, age, and years of experience) were assessed using Pearson correlation and descriptive statistics. RESULTS: In 2021, 278 injuries were reported, with most injuries happening when assigned to the Fireline (68.0%). The predominant type of injury was sprain, strain, or repetitive strain injury (25.5%) and most injury at the knee (10.1%), back (9.7%), and ankle (7.5%). Injury type and assignment when injured were found to be moderately positively correlated, r(276) = 0.13, p = 0.027. In addition, injury type and age were moderately positively correlated r(276) = 0.12, p = 0.035. CONCLUSION: In busy fire seasons, most injuries are sprains or strains that predominantly occur on the Fireline. Wildfire organizations should focus their health and safety programs on reducing sprains and strains at the knee, back, and ankle.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».