Utilisation des charges maximales et cumulatives sur la colonne vertébrale pour évaluer les emplois, la rotation des emplois et les contrôles techniques
Bibliographic record
Abstract
Il a été démontré que les forces maximales et cumulatives exercées sur les structures de la colonne vertébrale constituent des facteurs de risques significatifs et statistiquement indépendants pour la déclaration de douleurs au dos. Le présent document décrit une approche logicielle qui utilise ces facteurs de risques pour prédire de façon quantitative la déclaration de douleurs au dos à l’aide d’un pointage des indices de déclaration de douleur au dos, ou pointage IDDD. On a évalué deux emplois dans le secteur de la fabrication automobile avec cette approche, puis on a élaboré au moyen des résultats obtenus un contrôle spécifique de nature administrative et technique. En analysant les emplois avec les contrôles en place, on a constaté que le contrôle administratif utilisé, soit la rotation des emplois, était moins efficace que prévu et engendrait une augmentation globale du risque de déclaration de douleur au dos. La mise en place d’un contrôle technique a fait diminuer globalement le risque de déclaration de douleur au dos, et ce, pour tout travailleur occupant le poste en question. Les résultats de cette étude indiquent qu’il faut considérer à la fois les charges maximales et les charges cumulatives afin d’évaluer adéquatement le risque de blessures et les conséquences associées à la mise en place de contrôles techniques et administratifs.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".