Do occupational health and safety tools that utilize artificial intelligence have a measurable impact on worker injury or illness? Findings from a systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background Artificial intelligence (AI) holds promise as a tool that can be used by practitioners in the field of occupational health and safety (OHS). This study aimed to identify AI applications specifically used for OHS and examine their impact on worker morbidity or mortality outcomes. Methods We conducted a comprehensive systematic review. We searched six databases to identify published quantitative studies of OHS AI applications across the hierarchy of controls that were published between years 2018 to 2024. Title/abstract and full-text screening was conducted to identify eligible studies which were then assessed for quality and risk of bias and synthesized. Results Of the 1255 articles identified by our search, only two met eligibility criteria; one of which was appraised as medium quality and the other as low quality. The one medium quality study identified by our review was an AI-based chatbot health promotion tool which was shown to improve musculoskeletal symptoms. Our systematic review shows that we are at the early stages of understanding the role AI can play in OHS and it may be premature to recommend the wide-spread use of AI for health and safety practice within workplaces. Conclusion There is a critical need for future research to unpack how considerations taken in the development and adoption of workplace AI tools for OHS can determine their effectiveness in addressing worker injury or illness. Systematic review registration: PROSPERO CRD42023414422.
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.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,413 | 0,001 |
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 découle