Que coûte le bruit en milieu de travail au régime d’indemnisation ? Une perspective québécoise !
Bibliographic record
Abstract
L’objet de cette étude est de documenter le coût du bruit intense en milieu de travail pour l’entreprise, sous l’angle des méfaits du bruit sur la sécurité du travail. Le nombre d’accidents attribuables (risque attribuable) au bruit (≥ 90 dBA) et à la perte d’audition acquise en milieu de travail (≥ 16 dB HL) a été calculé au sein d’un échantillon de 57 732 travailleurs des deux sexes ayant cumulé 45 375 accidents au cours des 5 années suivant un examen de dépistage audiométrique en milieu de travail. L’approche utilisée est basée sur les déboursés versés par la Commission de la santé et de la sécurité du travail du Québec (CSST), c’est-à-dire : les frais médicaux, les frais d’indemnisation et ceux liés à la réadaptation. Le coût moyen d’un accident est établi à partir des déboursés associés à des accidents survenus à l’ensemble des travailleurs et travailleuses québécois au cours de trois années de référence, sans égard à leur exposition au bruit. Les analyses ont permis de quantifier le nombre d’accidents attribuables au bruit ou à la perte d’audition acquise en milieu de travail ou à l’effet combiné des deux, de calculer le coût moyen d’un accident et, de là, d’estimer le coût des accidents dus au bruit pour le régime d’indemnisation. Les résultats permettent d’estimer que les méfaits du bruit à la sécurité pour l’ensemble des quelque 400 000 travailleurs québécois exposés au bruit en milieu de travail coûtent au régime d’indemnisation entre 20 et 27M $ annuellement. Ces sommes qui s’ajoutent aux déboursés annuels associés à la surdité professionnelle (8,6M $), permettent d’apprécier à une plus juste valeur le véritable fardeau financier du bruit en milieu de travail et montrent la pertinence de considérer la sécurité dans l’évaluation des coûts du bruit.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".