Identification des risques liés aux bris d’infrastructures souterraines pour la santé et la sécurité des travailleurs
Bibliographic record
Abstract
Consult the executive summary of the report Consulter le sommaire exécutif du rapport Aujourd’hui, la méconnaissance de la localisation précise des réseaux d’infrastructures souterraines (télécommunications, électricité, gaz, eau...) ainsi que les mauvaises techniques d’excavation conduisent à de nombreux accidents lors de travaux à proximité de ces réseaux. Dans un contexte où en 2017 au Québec, on dénombre plus de 5 bris d’infrastructures souterraines en moyenne par jour (dont 44% impliquent du gaz naturel ou de l’électricité), il est important de mieux comprendre les risques auxquels sont exposés les travailleurs afin de mieux adapter les efforts de sensibilisation et de mieux cibler les mesures de prévention. Le projet de recherche a donc pour objectif de répondre aux questions suivantes : Quels sont les risques pour les travailleurs en cas de bris de conduites souterraines ? Quelles sont les conséquences les plus courantes ? Quel type d’équipement est le plus souvent en cause lors d’un accident ? Quels sont les facteurs de risque qui augmentent la probabilité que ces risques se manifestent au Canada (et plus particulièrement au Québec) ?Les résultats de cette étude apportent un éclairage important dans le développement des connaissances sur les dangers pour les travailleurs exposés à des bris d’infrastructures souterraines. L’identification des facteurs augmentant la probabilité d’avoir des décès ou des blessés à la suite d’un bris va permettre de concentrer les efforts de prévention au bon endroit. L’ensemble de ces éléments pourra être intégré à la prise de décision en prévention que ce soit par les entreprises directement, par les autorités publiques ou les organismes en lien avec la problématique.
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 | 0.006 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.040 | 0.008 |
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".