Risk Perception and Occupational Health and Safety: Evaluation in National and Global Context
Notice bibliographique
Résumé
Risks can be prevalent problems both within national borders and beyond. Examples of recent global infectious diseases such as natural disasters, man-made disasters (such as exposure to radiation), Covid, H1N1, and Ebola viruses can serve as examples of this. Interpretations and subjective judgments about risk are called risk perceptions and are important determinants of health and risk-related decisions (such as policy decisions about nuclear power plants, genetically modified foods, processed meats). We conducted research on studies on perception around the world, trends and what can be studied in the future. In this study, we identified 137 relevant publications from the SCOPUS database between 1987 and 2023. All the data obtained were analyzed using the Bibliometrix computer program based on R-studio. Analyses included the analysis of co-occurrences of networks, thematic maps, and trending topics. According to the findings of the present study, all reports were published in 101 sources since 1987. These documents have an annual growth rate of 5.55, increasing significantly after 2009. The countries with the highest number of publications are Australia, followed by Canada, Italy, Portugal, and the United States. Due to the nature of the topic, the occurrence of joint publications among countries is quite low. Individuals’ awareness of occupational health and safety issues increases their awareness of workplace risks and, therefore, the likelihood of preventing workplace accidents and occupational illnesses.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».