Développement méthodologique : indicateurs et profils pour le suivi longitudinal des troubles musculo-squelettiques liés au travail
Bibliographic record
Abstract
L’objectif de cet article est d’exposer le développement d’une méthode d’analyse du suivi longitudinal des troubles musculo-squelettiques (TMS) qui consiste en l’identification d’indicateurs et de profils. La démarche repose sur des approches complémentaires (qualitatives et quantitatives) et séquentielles d’analyses de schémas corporels complétés, au début et à la fin de chaque quart de travail, par 16 travailleuses saisonnières au cours de deux saisons de travail (135 000 scores de douleur). Les indicateurs obtenus sont, entre autres, le nombre de régions corporelles atteintes, la présence de douleurs spécifiques et/ou diffuses, la présence de chronicité ou encore la trajectoire temporelle des douleurs. Les indicateurs permettent de caractériser l’évolution des TMS et de décrire, sous ses diverses formes, la variabilité de la fluctuation des TMS au cours du temps. Cette méthode de suivi longitudinal des TMS représente également une modalité d’évaluation qui pourrait être réinvestie dans d’éventuelles études interventionnelles en milieux de travail.
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 | 0.099 | 0.175 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".