Factores de riesgo mecánico en la extracción de aceite de palma: caso de la empresa La Joya
Bibliographic record
Abstract
El presente trabajo de investigación determina el nivel de riesgos mecánicos en la ejecución de actividades de extracción de aceite de palma por parte de los trabajadores en la empresa La Joya. Se cuantificó cuali cuantitativamente el nivel de exposición, la probabilidad de ocurrencia del evento y las consecuencias de los mismos utilizando el método de William Fine. Para profundizar el estudio se realizó un análisis estadístico de los accidentes reportados en el año 2017 utilizando la Nota Técnica de Prevención (NTP) 236. La investigación empieza con la aplicación de la matriz de identificación de riesgos laborales observando mayor afectación por golpes con objetos móviles o inmóviles, caídas al mismo o a diferente nivel, atrapamiento entre objetos, contacto térmico, caída de objetos desprendidos, cortes y laceraciones en los operadores de extracción del aceite de palma en el área de producción. Finalmente se aplicó un análisis estadístico con la aplicación de las tablas de P. J. Shipp determinando los meses de mayor incidencia de los accidentes con la comparación gráfica por mes de la curva de los índices de frecuencia acumulada y los límites superior e inferior que determina los registros del 2017. Los resultados determinan un grado de peligrosidad (GP) de 120 en el puesto de: Caldera de producción de aceite rojo y en el digestor o tolva, con un GP de 48 el puesto de esterilización y mantenimiento (Barreno Villacís, 2019).
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 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) | 0.004 | 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".