1 Management Practices Affect Occupational Safety
Notice bibliographique
Résumé
The vast majority of workers in developed countries take for granted that going to work daily does not compromise their physical safety. The data, however, may tell a different story. While there has been a decline in the annual number of occupational fatalities in the United States, there are still more than 6,000 fatal work injuries per year, with approximately 3.6 million disabling injuries. The costs in human suffering alone should be sufficient to challenge researchers, but there are other severe economic and social costs as well. The number of days of work lost because of occupational injuries in Canada between 1993 and 1996 exceeded the number of workdays lost due to labor unrest. Estimates from the European Union suggest that an average of 30 days of work is lost for each workplace accident. Moreover, it is estimated that the total cost of each workplace injury in Ontario, Canada, is $6,000 (CDN), with the cost of each workplace fatality being $492,000. The most frequent attempts to account for occupational safety have emphasized the so-called “accident prone” individual, ergonomic design of equipment, and/or external regulatory systems (i.e., legislation and collective bargaining) (see Sheehy & Chapman, 1987). The modal response by organizational researchers has been one of neglect. Less than 1% or organizational research has focused on occupational safety. This provides a unique challenge to occupational health psychology, and the present research program forms part of an endeavor to confront this problem. We argue that management action directly affect perceived safety climate. In this research program, we focus on the extent to which management actions and human resource management practices affect occupational 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 | 0,001 | 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 | 0,001 | 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 ».