Scénarios d’accidents occasionnés par une perturbation du mouvement dans les secteurs de la construction et de la métallurgie. Pour une prévention locale et diversifiée
Bibliographic record
Abstract
La prévention des lésions consécutives à des heurts, des glissades, des coincements ou toute autre perturbation du mouvement au travail constitue un enjeu considérable. Cent quarante-trois récits d’accidents survenus dans les secteurs de la construction et de la métallurgie ont été analysés au moyen d’une approche probabiliste pour en extraire les scénarios récurrents. Ces récits ont été décrits par 30 facteurs génériques puis par 8 scénarios récurrents. Les perturbations du mouvement se produisaient le plus souvent alors que le travailleur manipulait un objet. Elles s’expliquent par l’intervention notamment d’incidents techniques, de coactivité ou de contraintes liées au travail collectif, soulignant le rôle de l’organisation du travail. Les facteurs/scénarios identifiés étaient plus ou moins présents (voire absents) suivant le secteur d’activité considéré. Les résultats plaident pour une prévention locale et diversifiée, croisant les logiques de production et de sécurité et recherchant un équilibre entre une conception défensive de la sécurité et une augmentation de la résilience du système.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".