Analyse des accidents de travail mortels survenus au Québec comprenant un véhicule roulant de 2013 à 2017 : perspectives et avenues d’intervention
Bibliographic record
Abstract
Au Québec, les accidents de travail mortels donnent lieu à une enquête de la Commission des normes, de l’équité, de la santé et de la sécurité du travail (CNESST) dans le but de comprendre l’accident et d’émettre des directives pour empêcher la survenue d’éventuels accidents de même type. Ces rapports constituent une importante source d’information légale pour que l’employeur puisse reprendre ses activités. Cependant, puisque ces rapports visent principalement l’identification d’un problème, leur apport en prévention et en innovation pourrait être limitant afin d’améliorer la santé et la sécurité des travailleurs utilisant un véhicule roulant. Notre recherche a pour objectif d’analyser les différents rapports d’accident mortel comprenant un véhicule roulant de 2013 à 2017 selon la méthode STAMP et l’outil d’analyse CAST, puis de documenter, à l’aide de la matrice de Haddon, l’interaction entre les différents facteurs (humain, véhicule, environnement) qui génèrent de tels accidents. Nous dresserons un bilan plus approfondi des connaissances portant sur le contexte réel du travailleur et des phénomènes de sécurité qui l’entourent avant un accident, puis en ressortirons des recommandations et des pistes de prévention afin de réduire les mortalités reliées aux véhicules roulants.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".