Young workers’ perceptions about occupational carcinogens
Notice bibliographique
Résumé
BackgroundYoung workers (≤25 years) face a well-documented increased risk of occupational injury, but little is known about their risk for occupational disease or how it compares to older workers, even though similar factors may contribute to both injuries and hazardous exposures.ObjectiveThe objective of this mixed-methods study was to assess young workers' ability to identify carcinogens and identify factors that may be indicative of a higher risk of occupational cancer.MethodsWe conducted a survey of young workers in Canada and the United Kingdom via Prolific to assess knowledge, attitudes, and behaviours around carcinogenic exposures in the workplace. Participants were asked True/False (T/F) questions on factors affecting hazardous exposures, Likert-scale questions on workplace behaviours, and to identify carcinogens among various hazards. Scores were assigned based on ability to identify carcinogens, median scores were compared across demographics, occupational groupings, and responses. Participants were then recruited to participate in focus groups to discuss questions in further detail.ResultsMedian scores were lowest among participants in (1) retail and sales, and (2) agriculture, trades and manufacturing. Regardless of occupation, the ability to identify carcinogens was low. Median carcinogen scores were lower among incorrect T/F responses related to hazardous exposure. Many participants indicated a lack of knowledge regarding workplace hazards or how they may affect their health despite reporting receiving training.ConclusionsThere are knowledge gaps by occupational groups that highlight a need for improvements to the delivery of training to young workers in the primary sector, manufacturing, and retail and sales.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».