MétaCan
Menu
Retour à la cohorte
Enregistrement W4405857651 · doi:10.1080/1059924x.2024.2447440

Weather and Marine Aquaculture Workers’ Safety in Atlantic Canada

2024· article· en· W4405857651 sur OpenAlexafffundabout
Lissandra Souto Cavalli, Barbara Neis, Joel Finnis

Notice bibliographique

RevueJournal of Agromedicine · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueMaritime Navigation and Safety
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesCanada First Research Excellence FundOcean Frontier Institute
Mots-clésOccupational safety and healthAquacultureHazardWork (physics)Hazard analysisEnvironmental healthFisheryBusinessEnvironmental planningEnvironmental resource managementRisk analysis (engineering)EngineeringEnvironmental scienceFish <Actinopterygii>MedicineEcologyBiology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Marine aquaculture workers are at high risk of injury and fatalities. Understanding the role of weather in occupational safety and health (OSH) in marine aquaculture is important for work design, planning, and for safety management and hazard reduction, but there is limited research on this subject. METHODS: Using findings from a review of research and grey literature and from key informant interviews and roundtable discussions in Atlantic Canada, this paper explores the impact of weather-driven hazards on marine aquaculture in Northern and temperate regions, along with the strategies employed to mitigate these impacts. RESULTS: Findings indicate primary concerns for aquaculture OSH include sun and cold exposures; working on and under surface ice; strong winds; waves; current; reduced visibility; and ice build-up. CONCLUSIONS: Key changes that could help reduce weather-related injury risk include improved forecasting capacity; improved reporting of weather conditions at the time of an incident in administrative injury and fatality data; incorporation of weather-related OSH hazards and risks in industry risk assessments; mechanization, including increased use of remote operation technologies on farm sites; and improved infrastructure standards and design.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,296
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,187
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of AgromedicineMême sujetMaritime Navigation and SafetyTravaux en français237 207