MétaCan
Menu
Retour à la cohorte
Enregistrement W4406496091 · doi:10.1080/00140139.2025.2450726

Leveraging Ergonomics and Human Factors (E/HF) for community impact: what have we learned about how to make a difference

2025· article· en· W4406496091 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueErgonomics · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueErgonomics and Human Factors
Établissements canadiensUniversity of TorontoWilfrid Laurier University
Organismes subventionnairesNational Institute on Aging
Mots-clésHuman factors and ergonomicsVariety (cybernetics)Work (physics)Engineering ethicsField (mathematics)IdeologySociologyQualitative researchPoison controlEngineeringPublic relationsPsychologyPolitical scienceMedicineComputer scienceSocial sciencePoliticsEnvironmental healthMechanical engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Ergonomics and Human Factors (E/HF) practitioners are increasingly engaged in projects meant to centre underserved communities and reduce inequities. The subdiscipline of E/HF that has emerged to explore the application of E/HF in this way is called community ergonomics. In this qualitative-descriptive study, we reflect on the progress made in the field of community ergonomics since its original conceptualisation in 1994. We present six E/HF case studies carried out in North America, South America, and Africa in a variety of community contexts to highlight the challenges of conducting community-based work. From those case studies, we synthesise six lessons learned that can be used to guide future community ergonomics projects. Finally, we provide methodological and epistemological recommendations for doing ethical community-based work, calling for E/HF practitioners to consider how their own ideologies are shaping their interactions with the communities they aim to serve.

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.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,633
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,041
Tête enseignante GPT0,275
Écart entre enseignants0,234 · 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