Contribution des travailleurs dans l’élaboration des programmes d’entraînement à la manutention sécuritaire : identification des stratégies, évaluation biomécanique et implantation
Bibliographic record
Abstract
Les travailleurs experts et novices présentent des caractéristiques différentes, particulièrement pour les éléments de placements/déplacements des pieds et de manœuvres effectuées avec les boîtes. Un examen biomécanique de ces éléments et de certaines stratégies contrastant les experts et les novices a mis en évidence leur potentiel pour une manutention plus sécuritaire. On note la réduction des chargements articulaires, surtout au dos, la réduction des asymétries du dos et les exigences moins grandes en travail mécanique. L’efficacité de stratégies d’experts et de novices fut ensuite évaluée, suite à un programme d’entraînement, par deux études indépendantes effectuées chez des travailleurs novices. On a d’abord étudié les effets de la pratique libre pour conclure qu’elle ne mène pas spontanément à un apprentissage de stratégies optimales. On a ensuite évalué un entraînement orienté sur l’observation de certaines stratégies contrastées propres à des experts et à des novices (placement/déplacement des pieds, manœuvres de boîtes et posture du dos), combinée à une pratique libre mais orientée sur une recherche de solutions optimales ; on a conclu que les novices soumis à cet entraînement adoptaient rapidement de nouvelles façons de manœuvrer les boîtes et de se placer qui apparaissent plus sécuritaires pour le travail mécanique et les efforts au dos. Il est donc recommandé d’inclure ces éléments dans les programmes d’entraînement et d’élaborer des programmes sur la base des connaissances des travailleurs et l’observation de leurs performances plutôt que sur la seule théorie.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".