Is precarious employment an occupational hazard? Evidence from Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVES: To examine the association between precarious employment and risk of occupational injury or illness in Ontario, Canada. METHODS: We combined accepted lost-time compensation claims from the Workplace Safety and Insurance Board with labour force statistics to estimate injury and illness rates between January 2016 and December 2019. Precarious employment was imputed using a job exposure matrix and operationalised in terms of temporary employment, low wages, irregular hours, involuntary part-time employment and a multidimensional measure of 'low', 'medium', 'high' and 'very high' probabilities of exposure to precarious employment. Negative binomial regression models examined exposure to precarious employment in relation to risk of occupational injury or illness. RESULTS: After adjusting for age, sex and year, all indicators of precarious employment were associated with increased risk of injury or illness. Workers with 'high' and 'very' high' exposure to precarious employment presented a nearly threefold risk of injury or illness (rate ratio (RR): 2.81, 95% CI 2.73 to 2.89; RR: 2.82, 95% CI 2.74 to 2.90). Further adjustment for physical demands and workplace hazards attenuated associations, though a statistically and substantively significant exposure-outcome relationship persisted for workers with 'high' and 'very high' exposures to precarious employment (RR: 1.65, 95% CI 1.58 to 1.72; RR: 2.00, 95% CI 1.92 to 2.08). CONCLUSIONS: Workers exposed to precarious employment are more likely to sustain a lost-time injury or illness in Ontario, Canada. Workplace health and safety strategies should consider the role of precarious employment as an occupational hazard and a marker of work injury risk.
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 | 0,000 | 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 | 0,001 | 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) | 0,012 | 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 ».