Biais de genre dans la reconnaissance des maladies professionnelles : l’exemple des troubles musculosquelettiques (TMS) en Italie et en Suisse
Bibliographic record
Abstract
Contexte. La compréhension des disparités de genre en santé au travail, en particulier dans le système d’indemnisation, est nécessaire pour développer la prévention. Objectif. Description de la déclaration et reconnaissance des troubles musculosquelettiques (TMS) comme maladies professionnelles dans deux pays, la Suisse et l’Italie, pour mettre en évidence les différences de genre. Sources de données. Statistiques des systèmes d’assurance contre les risques professionnels en Suisse et en Italie. Résultats. Un moindre taux d’acceptation des TMS déclarés par les femmes apparaît dans les deux pays. Il est mis en rapport avec des processus propres à chaque système d’indemnisation, notamment la liste des maladies professionnelles en Italie, et l’interprétation des données scientifiques et la jurisprudence en Suisse. Discussion. L’analyse confirme l’existence de différences de genre dans la reconnaissance des maladies professionnelles, déjà mises en évidence dans d’autres pays (Canada et Belgique). Des statistiques nationales intégrant le genre et leur monitorage seraient utiles pour favoriser la prévention des TMS.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| 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".