Comment réduire les effets négatifs du travail de nuit sur la santé et la performance?
Bibliographic record
Abstract
Résumé Dans les pays industrialisés, entre 15 % et 30 % des employés travaillent en dehors des heures conventionnelles du jour. Si, pour certaines organisations, comme les hôpitaux, le travail de nuit est inévitable, il permet à bien d’autres d’augmenter ou de maintenir leur compétitivité en optimisant l’utilisation des installations et des équipements. Pour les employés qui travaillent de nuit, toutefois, cela correspond à une privation importante de sommeil qui réduit leur bien-être et leur performance et accroît les risques d’accident. En effet, avec le temps, le travail de nuit cause de nombreux problèmes de santé physique et mentale (maladies cardiovasculaires, troubles gastro-intestinaux, détresse psychologique, cancers, etc.). Dans ce contexte, il importe de bien préciser les mesures susceptibles de minimiser ces inconvénients, c’est-à-dire revoir l’organisation du travail de nuit et la gestion des travailleurs de nuit; permettre ou planifier de courtes siestes avant ou pendant le quart de travail; consommer des stimulants, s’activer physiquement, ouvrir une fenêtre, converser, etc.; prendre des comprimés pour améliorer et stabiliser les horaires de sommeil au cours de la journée; reconnaître les troubles du sommeil nécessitant une intervention médicale; utiliser des lampes de luminothérapie durant la nuit de travail ou porter des verres fumés durant la journée.
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 | 0.017 | 0.053 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.025 | 0.003 |
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".