SS73-02 A MULTI-SCALAR APPROACH IS ESSENTIAL TO PREVENT THE RISK OF PESTICIDE EXPOSURE IN THE AGRICULTURAL WORLD
Notice bibliographique
Résumé
Abstract Agriculture is a sector particularly affected by the risk of pesticide exposure. The scientific literature associates agricultural pesticides with numerous effects on farmers' health (cancer, lymphoma, anxiety disorders). A number of studies have shown that it is necessary to examine the question of ‘real exposure’ in greater depth, in particular through a more detailed description of work practices, in order to take preventive action. Despite the preventive measures developed in the agricultural sector in France and Canada, farmers continue to be exposed, to expose themselves and those around them to pesticides when handling products or working in the field. They have to comply with numerous regulations, but cannot rely on safety measures adapted to their work activity and its constraints to prevent exposure. In order to understand the different forms of pesticide exposure and consider the transformation of risk situations in a plural way, we show in this contribution how, within our respective research-interventions (in Bordeaux viticulture and Quebec apple growing), we have each sought to enrich the analysis of exposure in real work with a broader, contextual approach to the activity. Our contribution seeks to: (1) to make visible a methodology for multi-scalar analysis of the determinants of exposure, whether internal to the farm or external to it (located beyond the decision-making scope of the business), (2) to contribute to the development of an exposure analysis that takes into account the personal and professional concerns of farmers, to promote a more sustainable approach to prevention.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,003 |
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 ».