MétaCan
Menu
Retour à la cohorte
Enregistrement W4407684300 · doi:10.1097/jom.0000000000003332

The Impact of Workplace Heat and Cold on Work Time Loss

2025· article· en· W4407684300 sur OpenAlexaff
Leonidas G. Ioannou, Lydia Tsoutsoubi, Konstantinos Mantzios, Γεώργιος Γκίκας, Gerasimos Agaliotis, Yiannis Koutedakis, David García-León, George Havenith, Jack Liang, Costas Arkolakis, Jason Glaser, Glen P. Kenny, Igor B. Mekjavić, Lars Nybo, Andreas D. Flouris

Notice bibliographique

RevueJournal of Occupational and Environmental Medicine · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueSleep and Work-Related Fatigue
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesInternational Labour OrganizationEuropean Commission
Mots-clésWork (physics)EngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: We investigated the impact of workplace heat and cold on work time loss. METHODS: Field experiments in different industrial sectors were conducted in multiple countries across all seasons between 2016 and 2024. Hundreds of workers were video recorded, and their full shifts (n = 603) were analyzed on a second-by-second basis (n = 16,065,501 seconds). Environmental data were recorded using portable weather stations. The Workplace Environmental Labor Loss (WELL) functions were developed to describe work time loss due to workplace temperature. RESULTS: The WELL functions revealed a U-shaped relationship whereby the least work time loss is observed at 18°C (64°F) and increases for every degree above or below this optimal temperature. CONCLUSIONS: The WELL functions quantify the impact of workplace temperature on work time loss, extending to temperatures previously believed to be unaffected.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,088
Score d'incertitude au seuil0,448

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 Opus0,012
Tête enseignante GPT0,311
Écart entre enseignants0,300 · 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'étudeObservationnel
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

Citations13
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Occupational and Environmental MedicineMême sujetSleep and Work-Related FatigueTravaux en français237 207