MétaCan
Menu
Retour à la cohorte
Enregistrement W7054688544

Analyse des activités de manutention de journaliers d'une grande municipalité québécoise : un outil pour composer avec le caractère changeant de la manutention

2011· article· fr· W7054688544 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Languefr
DomaineEngineering
ThématiqueLaser Design and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTrade unionPublicsContext (archaeology)Social mobilization
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Un trait caractéristique de la grande majorité des activités de manutention est d'être changeant, les tâches de manutention simples (i.e. circonscrites dans l'espace, les lieux et le temps) ayant, dans bien des cas, été automatisées dans les entreprises. Les tâches de manutention que l'on confie aux travailleurs sont plus complexes et demandent de manipuler des charges variées, dans des contextes de travail diversifiés et changeants qui demandent des ajustements constants. Cet aspect « mouvant » est parfois difficile à saisir pour un intervenant qui n'est pas spécialiste de la manutention. C'est le cas d'une grande majorité d'intervenants en santé et en sécurité du travail (SST) qui ont des profils de généralistes et sont donc appelés à traiter une vaste gamme d'activités professionnelles et de problématiques de santé au travail. L'utilisation d'outils de diagnostic standardisés se prête mal à l'analyse de tâches aussi variées et fluctuantes. Dans le cadre du développement d'un nouveau programme de formation à la manutention, une grille d'analyse des contextes en manutention (GACM) a été développée afin d'aider les intervenants à recueillir de l'information pertinente et ainsi mieux composer avec cet aspect « mouvant » de la manutention. Cet outil n'a pas la prétention d'en arriver à établir un portrait complet d'une ou de plusieurs tâches de manutention comme le ferait un diagnostic ergonomique, mais plutôt de faire ressortir quelques traits dominants et représentatifs de ces tâches afin qu'un intervenant puisse orienter un plan d'action spécifique, particulièrement pour établir les grandes lignes d'un contenu de formation. En parallèle à une demande d'accompagnement d'une grande municipalité québécoise qui disait éprouver des problèmes de SST – en majorité d'origine musculo-squelettique – en lien avec les nombreuses tâches de manutention réalisées par les journaliers, la GACM a été testée. Un diagnostic ergonomique classique a d'abord été réalisé impliquant une analyse des accidents (n=478), des entrevues (n=13) et des observations de l'activité de travail (n=16 situations de manutention). La GACM a ensuite été utilisée par cinq chefs de division de la municipalité et leurs commentaires ont été recueillis. Les résultats obtenus ont été comparés à ceux plus complets du diagnostic ergonomique. En complément, une classification visant à décrire quatre types de systèmes manutentionnaire-charge a aussi été testée afin de voir la pertinence d'intégrer cet aspect – jusque là ignoré – à la GACM. Le diagnostic ergonomique a permis d'identifier 21 situations problématiques, dont la plupart ont fait l'objet d'une démarche de recherche de solutions en collaboration avec les responsables de la municipalité. Pour ce qui est de la GACM, l'étude a permis de bien identifier ses limites d'application et les éléments sur lesquels nous devrons nous pencher pour en faciliter l'utilisation adéquate. Bien que son utilisation nécessite un certain niveau d'expertise, quelques ajustements somme toute mineurs sont requis pour maximiser son potentiel à être utilisée par une vaste gamme d'utilisateurs. La classification des systèmes manutentionnaire-charge s'est avérée opérationnelle et suffisamment pertinente pour l'inclure dans une nouvelle version de la GACM. Un constat de cette étude est à l'effet que ce n'est pas tant le recueil des données qui pose des difficultés que l'interprétation et la mise en forme de ces données pour orienter l'action dans les milieux de travail. En ce sens, nous suggérons le développement d'un modèle intégrateur, afin de faciliter la mise en commun et l'interprétation des informations recueillies. Les principales qualités souhaitées d'un tel modèle sont énoncées en discussion et une tentative exploratoire de modélisation est proposée. Abstract One characteristic of the great majority of handling activities is that they are changing, with, in many cases, the simple handling tasks (i.e., limited in space, location and time) having been automated in companies. Worker-assigned handling tasks are more complex and require the handling of varied loads, in diverse and changing work contexts that require constant adjustments. This changing aspect is sometimes difficult for a preventionist who is not a handling specialist to understand. This is true for a large majority of occupational health and safety (OHS) preventionists who have generalist profiles and are therefore asked to handle a wide range of occupational activities and occupational health issues. Standardized diagnostic tools are poorly suited to the analysis of such varied and fluctuating tasks. In the context of developing a new handling training program, a handling context analysis grid (HCAG) was produced to help preventionists collect relevant information and thus better deal with this changing aspect of handling. This tool does not pretend to yield a complete picture of one or more handling tasks, as would an ergonomic diagnosis, but rather identifies a few dominant and representative aspects of these tasks so that a preventionist can orient a specific action plan, particularly to establish the framework of the training content. In parallel with a request to accompany a large Québec municipality claiming OHS problems—mostly musculoskeletal in nature—linked to the numerous handling tasks performed by day workers, the HCAG was tested. A classical ergonomic diagnosis was done first, involving an analysis of the accidents (n=478), interviews (n=13) and observations of the work activity (n=16 handling situations). The HCAG was then used by five division heads in the municipality, and their comments were collected. The results obtained were compared to the more complete results of the ergonomic diagnosis. As a complement, a classification aiming to describe four types of handler-load systems was also tested to determine the relevance of integrating this aspect—up until then disregarded—into the HCAG. The ergonomic diagnosis identified 21 problem situations, most of which were the subject of a solution-finding process in collaboration with the municipal authorities. The study clearly identified the HCAG's application limitations and the aspects on which we will have to focus to facilitate its appropriate use. While its application requires a certain level of expertise, a few minor adjustments are necessary to maximize its potential for use by a wide range of users. The classification of the handler-load systems proved operational and sufficiently relevant to be included in a new version of the HCAG. One observation from this study is that it is not so much the collection of data that raises difficulties, as the interpretation and formatting of these data to orient action in workplaces. In this sense, we suggest that an integrating model be developed to facilitate the sharing and interpretation of the information collected. The main qualities desired for such a model are stated in the discussion, and an exploratory attempt at modeling is proposed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,208
Score d'incertitude au seuil0,418

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,007
Études des sciences et des technologies0,0030,001
Communication savante0,0040,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,255
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLaser Design and ApplicationsTravaux en français237 207