Insights into Women’s Occupational Health and Safety: A Decade in Review of Primary Data Studies
Notice bibliographique
Résumé
Women play integral roles across various sectors, including mining. Moreover, they often form a majority in certain sectors, such as healthcare and education. Biological (sex) and social (gender) differences can influence how hazards are assessed and controlled for women at work. Therefore, because of the importance of women’s occupational health and safety (OHS), this study reviews and analyzes OHS-related research studies to explore (i) the attention given to women’s OHS; (ii) the specific occupations studied; and (iii) the primary OHS issues and challenges faced by women. Following PRISMA guidelines, the study examined articles from 2010–2021, selecting 62 that utilized primary data, with all or part of their participants being female. The results indicate that the included studies examined women’s OHS in specific occupations. These include healthcare workers, farm and forestry workers, office staff, teachers, firefighters, police officers, nail technicians, workers in the clothing industry, and general industrial workers. The trend of publishing articles on women’s OHS has been growing, with most studies focusing on healthcare and agriculture. The USA and South Korea are leading in publications in the field of women’s OHS, while the USA, Australia, and the Netherlands have the highest collaboration rates. Key findings reveal that the most common OHS issues faced by women in various occupations include stress, fatigue, musculoskeletal disorders and pain, sleep disorders, long working hours, depression and anxiety, workplace violence, and allergies and skin problems. Many of these issues are related to mental health. Specific issues based on the nature of the work vary; for example, teachers experience voice disorders, while farmers face digestive problems. This study contributes theoretically by enhancing understanding of women’s OHS, serving as a foundation for further research, and providing practical guidance for employers and policymakers seeking to implement effective strategies for guaranteeing women’s OHS across sectors.
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 | 0,049 | 0,177 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,025 | 0,031 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».