Factors Influencing Unsafe Behavior in Somber Small Industry Centers (SIKS) Using Logistic Regression Analysis
Notice bibliographique
Résumé
Tofu is a characteristic of Indonesian food, so it is not uncommon if this tofu food is found in Balikpapan City. Tofu is commonly produced in small and medium scale industries that are commonly found in the city of Balikpapan. The technology used in the tofu production process is still very simple, still uses human labor, and the process is less than optimal. The tofu production process begins with the washing, grinding, and pressing processes carried out by humans. This study aims to analyze the influence of the work environment and worker identity on Behavior Based Safety in the SIS tofu making industry. The population in this study is workers in SIKS somber totaling 32 workers from 14 home tofu production sites as for how to collect samples by direct observation and interviews with workers (response variables), namely unsafe behavior in the form of not wearing proper clothes while working (Y), and independent variables (predictors), namely a safe workplace environment (x1), Air Ventilation Conditions (X2) , Layout Conditions (X3), Working Duration (X4) Denoted 1 if > have worked for 3 months and 0 if < 3 months, worker status (X5), use of PPE in the form of boots (x6), educational status (x7) This study uses binary logistic regression analysis ?(x), where the workplace environment and workplace layout have the opportunity to have a significant influence on the unsafe behavior of workers (not wearing proper clothing) production workers know SIKS Somber.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».