Systemic factors in workplace accidents: An umbrella review of series injuries and fatalities
Notice bibliographique
Résumé
Increasingly the complexities of organisational systems and the systemic nature of serious workplace injuries and fatalities are characterised by unpredictable outcomes. A complex systems thinking approach is needed to identify and analyse system interactions and systemic causal factors to explore the connections between people, technology and organisational systems and the incidence of workplace accidents. This umbrella review aimed to analyse the peer-reviewed systematic review literature related to accident causation for serious workplace accidents and fatalities to develop an understanding of the systemic causal factors across a range of complex systems. Some electronic databases were searched using the key search terms “accident causation factors”, “accident∗”, “fatalit∗”, “work∗” and their variations between 2000 and 2022. The selected papers underwent screening, eligibility and quality appraisal process using checklist for systematic reviews and research syntheses. Following the systematic process, a total of 13 papers were included in the total data set. The studies originated from a variety of workplaces such as industry, aviation, mining, maritime and construction industries. The most common contributing factors were sleep deprivation, fatigue and substance abuse whereas organisational factors such as management systems, resources and equipment as resulting in significant workplace incidents. This review identified that human errors and organisational and system factors were the main source of accident causation across multiple industries. The importance of learning from incidents and need for more sophisticated reporting systems was identified as being essential to change workplace culture and safety.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».