Les conditions d’une activité collective entre les acteurs de la prévention des risques professionnels : enjeux de pluridisciplinarité
Bibliographic record
Abstract
L’enjeu de la recherche PLURIPREV est de décrire l’organisation effective de la pluridisciplinarité dans les services de santé au travail (SST), plus particulièrement dans les SST inter-entreprises (SSTi), et les formes de travail collectif pluridisciplinaire possibles et efficaces pour la prévention des risques professionnels. La réforme de la santé au travail se caractérise par une accélération des décrets ces dernières années (Fantoni-Quinton, Frimat, 2016)1. Après 50 ans de silence législatif, plusieurs lois ont été votées : 2004, décret sur l’émergence des intervenants en prévention des risques professionnels (IPRP) ; 2008, transformation en service de santé au travail ; 2011, projet de service avec une équipe pluridisciplinaire coordonnée par le médecin du travail (MDT) et embauche de nouveaux professionnels (infirmière de santé travail (IDEST) et assistante de santé travail (ASST) ; 2015, suivi des salariés exposés aux risques par les médecins du travail et évolution juridique de l’aptitude. C’est dans ce contexte législatif en France, que dans le cadre du projet PLURIPREV nous nous sommes interrogés sur l’application de la réforme sur le terrain, c’est-à-dire sur les écarts possibles entre le cadre prescriptif législatif et la réalité des pratiques professionnelles. Nous noussommes intéressés particulièrement au travail collectif entre plusieurs métiers et aux façons de le gérer au quotidien et selon les évolutions de l’organisation du travail. Une comparaison avec le contexte législatif au Québec permettait de pouvoir mieux comprendre les retombées de la réforme de la santé au travail sur la mise en oeuvre de la pluridisciplinarité dans les SSTi et d’examiner d’autres pratiques de travail collectif.
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 | 0.057 | 0.081 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.015 | 0.024 |
| Scholarly communication | 0.025 | 0.014 |
| Open science | 0.003 | 0.019 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".