Taux d’incidence des accidents du travail et vieillissement : l’importance du type de dénominateur
Bibliographic record
Abstract
Deux études récentes relatives à la problématique du vieillissement ont produit des résultats contradictoires en ce qui concerne la relation entre l'âge et le taux d'incidence des lésions professionnelles dans le secteur de la santé et des services sociaux. Les auteurs examinent l'hypothèse voulant que cette différence provienne des types de dénominateurs utilisés, dans un cas les effectifs d'individus, dans l'autre les effectifs en équivalents temps complet (ETC) calculés à partir des heures rémunérées. Ils essaient aussi de comprendre pourquoi l'utilisation de types de dénominateurs différents produit des résultats aussi contrastés. Les effectifs en ETC apparaissent comme un dénominateur mieux adapté au calcul du taux d'incidence des lésions parce qu'il tient compte à la fois du nombre d'individus et de la durée d'exposition au risque. Toutefois, il est rarement disponible au Québec. Il importe donc d'utiliser des facteurs de correction ou, à tout le moins, de nuancer l'analyse en tenant compte des éléments qui influencent la durée d'exposition au risque, tels le statut d'emploi et certains facteurs organisahonnels.
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 | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".