SS34-02 WORKPLACE HEALTH WITHOUT BORDERS’ VIRTUAL OCCUPATIONAL HEALTH AND SAFETY TRAINING USING SYNCHRONOUS AND ASYNCHRONOUS METHODS
Notice bibliographique
Résumé
Abstract Introduction Training is a focus area of Workplace Health Without Borders (WHWB). There are 3,4 billion workers in the world. Nearly two-thirds of them work in unhealthy and unsafe conditions. Worldwide, there are about 8,000 certified / registered occupational hygienists and only 16 countries with professional accreditation programs. The global need is great for more trained occupational health / hygiene professionals who understand how to protect workers from workplace injury and disease. Materials and Methods This presentation will share our methods and platform for instruction. We will discuss how we pivoted during the COVID-19 pandemic to a combination of synchronous / asynchronous training, and how this solved several important issues for our students and tutors and overcame other barriers to in-person training. We will present the outcomes of student evaluations and how we measure and deliver successful training. Results The impact of our training will be presented. Our training leads to mentoring which leads to networking for the students and global professionals responsible for worker wellbeing. We engage in-country tutors for instruction and facilitation so that networking and mentoring are more easily attained. Conclusions Students and professionals in low- or middle-income countries (LMICs) lack access to occupational health / hygiene training. There is often a lack of regulations in these countries, so that prevention of exposure and protection of worker health is not addressed. However, knowledge of breaking the routes of exposure that cause disease can be used anywhere when it is understood.
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 | 0,001 | 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 ».