Les milieux de travail les plus à risque de troubles musculo-squelettiques entre 2005 et 2007 : cas d'une région du Québec
Bibliographic record
Abstract
Résumé Objectif : L’objectif de cette étude était de déterminer les dix secteurs d’activité où le risque des troubles musculo-squelettiques (TMS) liés au travail est le plus élevé. Méthodes : Nous avons utilisé les données du fichier des lésions professionnelles indemnisées tenu par le régime d’assurance des travailleurs du Québec. Les industries ont été classées en secteurs d’activité suivant le système de classification des industries de l’Amérique du Nord (SCIAN à trois chiffres). Le prevention index , ou indice de prévention, qui tient compte à la fois du nombre de cas et du taux d’incidence des TMS, a été utilisé pour déterminer les secteurs d’activité les plus à risque. Résultats : Sur un total de 93 sous-secteurs industriels avec des entreprises en activité dans la région de Laval, les dix sous-secteurs les plus à risque étaient les suivants par ordre décroissant : établissements de soins infirmiers et de soins pour bénéficiaires internes (SCIAN 623), grossistes-distributeurs de produits alimentaires, de boissons et de tabac (SCIAN 413), entrepreneurs spécialisés (SCIAN 238), magasins de fournitures de tout genre (SCIAN 452), fabrication de produits métalliques (SCIAN 332), fabrication de machines (SCIAN 333), fabrication de produits en plastique et en caoutchouc (SCIAN 326), première transformation des métaux (SCIAN 331), hôpitaux (SCIAN 622) et fabrication de matériel de transport (SCIAN 336). Conclusion : Ces résultats étaient similaires à ceux du reste du Québec, avec quelques variations. Ils pourraient documenter le processus de prise de décision lors de la planification des activités de prévention des TMS. Prat Organ Soins. 2011;42(3):169-77
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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 teacher head, 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".