Comprendre le risque routier professionnel par l’analyse de l’activité : l’exemple des conducteurs de travaux
Bibliographic record
Abstract
Cet article présente les résultats d’une recherche portant sur le risque routier professionnel rencontré par des travailleurs dont la conduite n’est pas le métier mais qui se déplacent fréquemment : les conducteurs de travaux de chantiers de travaux publics. En adoptant le point de vue de l’activité, nous montrons que la compréhension et la prévention de ce risque nécessitent de connaître et de comprendre l’activité de travail. En effet, l’activité de conduite est une activité de travail et le risque qui lui est lié est un risque au travail. Pour prévenir ce dernier, il est donc nécessaire de dépasser la simple approche comportementale de l’activité de conduite et de prendre en considération l’ensemble des déterminants de l’activité de travail qui font que le conducteur de travaux se déplace et prend des risques sur la route. Nous retiendrons que les aspects organisationnels (prescription, organisation de la production, politique de ressources humaines), matériel (véhicule, outils de communication) et interentreprises (relationnel client) affectent l’activité de conduite et que la prévention du risque routier nécessite donc une approche globale (aux niveaux individuel et collectif, dans l’entreprise et avec les entreprises extérieures) qui touche à ces différents domaines.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".