Landscape of Artificial Intelligence Use for Occupational Health and Safety Practice in Two Canadian Provinces
Notice bibliographique
Résumé
BACKGROUND: Artificial intelligence (AI) can modernize occupational health and safety (OHS) practice and provide solutions to the most complex health and safety challenges. Empirical data on firm-level AI utilization in OHS practice remain limited. The objective of this study was to examine AI use for OHS and firm-level descriptive and OHS characteristics associated with AI use. METHODS: A total of 810 OHS professionals in British Columbia and Ontario, Canada were surveyed in the summer of 2024. Surveys asked about firm-level AI use for OHS and items asked about descriptive and OHS characteristics. Participants were also asked about perceived AI concerns and OHS impact. A multivariate logistic regression model was fitted to examine factors associated with firm-level AI use for OHS. RESULTS: In total, 29% reported firm-level AI use for OHS. Larger-sized firms and those with hybrid work arrangements had a greater odds of AI use for OHS. Also, firms with high workplace hazard exposure had a greater odds of AI OHS use. More positive perceptions of AI's impact on OHS were associated with firm-level AI use for OHS. CONCLUSIONS: AI use for OHS may be concentrated among hazardous firms and those with the conditions to support technological adoption. Research examining AI's effectiveness in OHS settings is needed to guide evidence-based implementation in occupational health practice.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».