A Bayesian network model integrating organizational, individual and psychological factors for strengthening construction worker safety behavior
Notice bibliographique
Résumé
Objectives. Construction worker safety behavior (CWSB) may be affected by a confluence of multilevel and interrelated factors. Cultivating and maintaining CWSB is vital for improving construction safety. Current studies focus on organization-level or individual-level CWSB antecedents. However, few studies have examined the influence of psychological factors on CWSB, thereby reducing the joint effects of multilevel factors on CWSB. Methods. To determine effective strategies for strengthening CWSB, this study adopted the Bayesian network technique to explore the interrelationships between CWSB and its antecedent factors. A Bayesian belief network model was developed and trained with data collected from Chinese construction workers, which connected organizational, individual and psychological factors with CWSB. Results. According to the sensitivity analysis, safety knowledge, safety climate and psychological capital are the three most significant influencing factors for CWSB. A combined strategy that enhances safety knowledge, safety climate and communication competence simultaneously is the most effective option for strengthening CWSB. The validation and robustness of the network showed good accuracy for safety behavior judgment. Conclusion. This study proposes an alternative way to improve safety behavior by identifying its interactive causes and illustrates the importance of initiating systematic safety measures, which may help to mitigate the problem of safety plateau.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».