Mécanismes d’inégalités en santé et sécurité : modèle conceptuel et agenda de recherche
Bibliographic record
Abstract
Un nombre croissant d’études provenant de pays industrialisés ont documenté des taux élevés d’accidents et de maladies professionnelles pour les travailleurs nés à l’étranger. Par contre, les mécanismes en jeu sont mal compris. Nous proposons un modèle conceptuel des mécanismes qui sous-tendent les inégalités. Nous décrivons comment les barrières linguistiques, les différences culturelles, la vulnérabilité liée au statut légal, la précarité économique, la nouveauté dans le pays hôte et/ou dans l’emploi, le niveau inférieur d’éducation ou d’expérience et la discrimination génèrent des vulnérabilités qui se reflètent dans des conditions de travail difficiles, des connaissances inférieures sur la santé et la sécurité, des problèmes de communication, des comportement préjudiciables vis-à-vis des risques ou de la santé, et des limites par rapport à la capacité d’agir. Ces processus, en retour, engendrent des inégalités en matière d’expositions ainsi qu’en ce qui a trait à la prévention, aux soins, à l’indemnisation et à la réhabilitation. Nous notons le manque d’information détaillée sur les chemins menant aux inégalités, et sur la façon dont ils diffèrent selon le genre et l’ethnicité et sont façonnés par les structures sociales, économiques et politiques. Nous notons également le manque d’information sur les stratégies pour réduire les inégalités. Nous proposons des avenues de recherche qui ont le potentiel de mener à des résultats significatifs et actionnables.
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 | 0.020 | 0.026 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.015 | 0.019 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 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".