Agricultural Injury Surveillance in the United States and Canada: A Systematic Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Agricultural injuries remain a major concern in North America, with a fatal injury rate of 19.5 deaths per 100,000 workers in the United States. Numerous research efforts have sought to compile and analyze records of agricultural-related injuries and fatalities at a national level, utilizing resources, ranging from newspaper clippings and hospital records to Emergency Medical System (EMS) data, death certifications, surveys, and other multiple sources. Despite these extensive efforts, a comprehensive understanding of injury trends over extended time periods and across diverse types of data sources remains elusive, primarily due to the duration of data collection and the focus on specific subsets. METHODS: This systematic review, following Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines, consolidates and analyzes agricultural injury surveillance data from 48 eligible papers published between 1985 and 2022 to offer a holistic understanding of trends and challenges. RESULTS: These papers, reporting an average of 25,000 injuries each, were analyzed by database source type, injury severity, nature of injury, body part, source of injury, event/exposure, and age. One key finding is that the top source of injury or event/exposure depends on the chosen surveillance system and injury severity, underscoring the need of diverse data sources for a nuanced understanding of agricultural injuries. CONCLUSION: This study provides policymakers, researchers, and practitioners with crucial insights to bolster the development and analysis of surveillance systems in agricultural safety. The overarching aim is to address the pressing issue of agricultural injuries, contributing to a safer work environment and ultimately enhancing the overall well-being of individuals engaged in agriculture.
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.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 découle