Profils des renversements mortels de machines en milieu agricole au Canada
Bibliographic record
Abstract
Introduction Nous avions pour objectif d’examiner les activités et les circonstances liées aux renversements mortels de machines en milieu agricole. Méthodologie Nous avons ciblé les cas de renversements mortels de machines en milieu agricole consignés par le Programme canadien de surveillance des blessures en milieu agricole (PCSBMA) entre 1990 et 2005. Nous avons relevé les renversements de côté et vers l’arrière selon l’âge et le sexe de la victime, l’année, la saison agricole, le type de machine ainsi que l’activité liée à l’accident et le lieu et les circonstances de ce dernier. Résultats Le taux de mortalité annuel lié aux renversements au Canada se situait à 9,1 pour 100 000 exploitations agricoles. Le nombre de renversements mortels a chuté de 30 % par rapport à la valeur de référence au cours de la période de 16 ans étudiée (p = 0,004). Les renversements mortels ont touché plus souvent les hommes de 50 à 69 ans (renversements de côté) et ceux de 60 à 79 ans (renversements vers l’arrière). Analyse Les renversements de côté se produisent lorsque l’opérateur traverse une pente ou roule trop près d’un fossé longeant un chemin ou un champ. Les renversements vers l’arrière se produisent lors de la montée d’une pente, du remorquage d’une machine, du dégagement d’une machine coincée, de l’extraction de souches ou d’arbres et du traînage d’instruments ou de billes de bois. Les programmes de prévention primaire des blessures par renversement devraient cibler ces profils d’accidents.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.010 | 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".