Facilitators and barriers to implementing Hearing Conservation Programmes in industrial workplaces: a systematic review
Notice bibliographique
Résumé
Noise-induced hearing loss (NIHL) remains a serious occupational risk in industrial settings with constant high noise exposure. Although Hearing Conservation Programmes (HCPs) are widely implemented, their effectiveness is limited by funding shortages, poor training and low compliance. This systematic review examines factors that facilitate or hinder HCP implementation, variations in program outcomes and the influence of employee attitudes, behavior and regulatory compliance. Methodological quality was assessed using the Effective Public Health Practices Project (EPHPP) tool, and risk of bias in non-randomized studies was evaluated with Risk of Bias in Non-Randomized Studies of Interventions (ROBINS-I).We searched PubMed, Web of Science, Scopus and Cochrane for English-language studies on industrial HCPs published between 2000 and 2024. Eligible designs included randomised or non-randomised trials, observational studies and mixed methods. Data extraction was guided by a standardised form capturing programme components such as training, monitoring, compliance strategies, participant characteristics and outcome indicators, which included hearing protection device usage, NIHL incidence and compliance.Nine studies from various industries met the criteria. Key facilitators included management commitment, worker involvement and tailored interventions that improved compliance and reduced NIHL. Common barriers were inconsistent training, discomfort with protective equipment and gaps between programme goals and workplace conditions. The findings also highlighted that consistent regulatory compliance and a supportive organisational culture play a critical role in the successful implementation of HCPs.Effective HCPs require context-specific designs addressing workplace barriers and enhancing facilitators. Future research should prioritise longitudinal studies to evaluate long-term sustainability and impact.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».