Pratiques d’entreprises en santé et sécurité - Un panorama de la situation française depuis une double perspective, quantitative et qualitative
Bibliographic record
Abstract
L’article propose un panorama représentatif des pratiques de prévention des risques professionnels dans les entreprises françaises. Cet objet est justifié par le niveau toujours préoccupant qu’atteignent les accidents du travail et les maladies professionnelles dans ce pays et par le fait qu’aucun panorama de ce type n’y est disponible malgré le rôle central donné aux entreprises dans la prévention des risques. L’exercice mobilise conjointement une enquête statistique conduite au milieu des années 2000 en France et une investigation de terrain réalisée dans le secteur à haut risque de la découpe de viande de volaille. Deux principaux enseignements s’en dégagent. D’une part, l’hypothèse, souvent avancée, d’une totale inertie patronale expliquant à elle seule les mauvais résultats français doit être nuancée. Il y a des disparités dont nous tentons d’éclairer les facteurs explicatifs. Pour autant, l’accentuation des injonctions réglementaires et l’alourdissement des pénalités restent des solutions envisageables pour certaines entreprises qui, en bonne santé économique, n’assument pas suffisamment leurs obligations quant au maintien en santé de leurs salariés.
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 | 0.009 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.007 | 0.013 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".