Orientations pour l'évaluation des interventions visant la prévention des troubles musculo-squelettiques liés au travail
Bibliographic record
Abstract
L’amélioration des pratiques d’intervention constitue aujourd’hui un enjeu certain dans le champ de la prévention des Troubles Musculo-Squelettiques (TMS) liés au travail. Le développement des connaissances concernant l’intervention en milieu de travail est donc un enjeu de recherche, qui convoque la thématique de l’évaluation des interventions. La recherche internationale dans le champ des TMS concentre largement ses travaux et recommandations sur l’évaluation des effets des interventions par l’évolution de l’état des symptômes des travailleurs concernés et/ou l’évolution des expositions.Dans ce texte, nous montrons tout d’abord que cette orientation suppose de réunir un certain nombre de conditions importantes, souvent difficiles à réunir et généralement sous-estimées. Nous proposons la prise en compte d’indicateurs relatifs à l’activité de travail et aux marges de manœuvre des salariés, comme critères complémentaires de l’évaluation, tout en soulignant la nécessité d’un travail à réaliser pour les rendre opérationnels.Dans un deuxième temps, nous rappelons que l’évaluation des effets de l’intervention est insuffisante au développement de connaissances sur l’intervention : celui-ci suppose nécessairement la description précise du processus de l’intervention et la prise en compte du contexte de son déroulement.Enfin, la discussion souligne le fait que, dans notre perspective, l’évaluation des interventions constitue un projet en soi, qui contribue directement à la transformation du travail.
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 | 0.081 | 0.054 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.008 | 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".