Prevalence of Overnight Work (1 a.m. to 5 a.m.) Among United States Workers
Notice bibliographique
Résumé
BACKGROUND: Many factors have resulted in the normalization of nonstandard work schedules in recent decades, including globalization requiring working across time zones and growing demands for goods and services. This paper provides national estimates of overnight work in the USA. METHODS: We used cross-sectional data from the 2015 National Health Interview Survey (n = 19,386 US employed adults ≥ 18 years). This survey contained a unique definition of overnight work (i.e., between 1:00 a.m. and 5:00 a.m.), based on the window of circadian low. Weighted prevalence rates were provided across categories of sociodemographic characteristics, health status, health behaviors, and occupational factors. RESULTS: We estimated more than 21 million US employed adults experienced overnight work (14.2%). Higher prevalence was found among men (17.8%), non-Hispanic Black adults (17.2%), non-US born adults (11.2%), those with some college (15.9%) or a high school (16.7%) education, or living in the Midwest region (15.8%). Compared to those sleeping 7-9 h (10.5%), higher percentages of adults working overnight slept < 7 h (21.4%) and > 9 h (17.0%). Increasing prevalence was observed with increasing weekly work hours (p < 0.0001). Higher prevalence was reported among multiple job holders (19.5%). Industries and occupations with the greatest percentage of overnight workers were Transportation, Warehousing and Utilities (29.3%), and Protective Services (47.4%). CONCLUSION: Our estimates of overnight work in 2015 are almost five times higher than estimates from 2004. Given that overnight work has been associated with adverse safety and health outcomes, additional policies and programs are needed to protect this growing population of workers.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».