MétaCan
Menu
Back to cohort
Record W4410994460 · doi:10.70010/swbk9077

Évaluation et caractérisation de l'exposition aux fumées de soudage et leurs composantes métalliques lors d'activités de soudage au Québec

2025· report· fr· W4410994460 on OpenAlexaboutno aff
Michèle Bouchard, Jairo Buitragp-Cortes, Naïma El Majidi, Jonathan Côté, Denis Dieme, Philippe Sarazin, Loïc Wingert

Bibliographic record

Venuenot available
Typereport
Languagefr
FieldEngineering
TopicFire dynamics and safety research
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPhysicsArt

Abstract

fetched live from OpenAlex

Problématique et objectifs : Les fumées de soudage sont classées comme cancérogènes chez l’humain et sont associées à un risque accru de plusieurs autres effets sur la santé des soudeurs. L’objectif général de cette recherche était d’établir la nature et le niveau d’exposition aux composantes métalliques lors d'activités de soudage chez des apprentis soudeurs au Québec, en effectuant des mesures dans différentes matrices biologiques et dans l’air lors d’un suivi longitudinal. Méthode : Cette recherche a été réalisée dans des écoles d'apprentis soudeurs de la région de Montréal, où les techniques de soudage les plus courantes sont utilisées. Elle a impliqué un suivi de l’exposition aux fumées et ses constituants métalliques chez 116 individus lors d’activités de soudage impliquant différents procédés : soudage à l'arc avec électrode enrobée (SMAW), soudage à l'arc sous gaz avec fil plein (GMAW) et soudage à l'arc avec fil fourré (FCAW). La mesure sériée de multiéléments métalliques a été effectuée dans des matrices biologiques multiples (urine, ongles, cheveux) afin d’évaluer les éléments métalliques les plus absorbés dans l'organisme et les matrices biologiques les plus pertinentes pour le suivi des travailleurs, de même que des facteurs influençant les doses absorbées. L’échantillonnage des fumées de soudage a également été réalisé dans la zone respiratoire de travailleurs lors de journées typiques. Résultats : Le suivi des niveaux biologiques avant le début du programme, puis au début et à la fin des modules successifs SMAW, GMAW et FCAW a montré que les concentrations de fer (Fe), de manganèse (Mn), de nickel (Ni) et de chrome (Cr) augmentaient de façon constante au fil du temps dans les ongles des mains et des pieds et les cheveux, tout au long du programme de soudage. Les concentrations d'arsenic (As) ont progressivement augmenté dans les ongles des mains et les cheveux, mais pas dans les ongles des pieds. Les concentrations de cobalt (Co) dans les ongles des mains et des pieds ont aussi augmenté au fil du temps pendant le programme de soudage (mais pas dans les cheveux). Les niveaux de Mn, de Fe et de Ni dans l'urine étaient plus élevés à la fin du module SMAW par rapport au début de ce module, mais ne montraient pas d’augmentation pour les autres modules suivants, soit le GMAW et FCAW. L'augmentation de la durée d'exposition au cours du programme de soudage (variable « temps ») était le principal facteur prédictif des niveaux de métaux les plus absorbés, en particulier du Fe, du Mn, du Ni et du Cr. L'âge, l'origine ethnique et le revenu annuel du ménage ont eu un effet sur les niveaux de métaux et ont été considérés comme des facteurs de confusion. Conclusion : Cette étude est la première au Québec et au Canada à avoir utilisé simultanément plusieurs matrices biologiques pour évaluer l'exposition à divers métaux chez des apprentis tout au long de leur programme de formation en soudage. Elle a démontré que même l'exposition aux fumées de soudage dans un environnement d'apprentissage contrôlé peut entraîner une augmentation significative des doses absorbées de plusieurs métaux et que les concentrations de métaux mesurées simultanément dans l'urine, les cheveux et les ongles sont des biomarqueurs pertinents de l'exposition aux fumées de soudage dans certaines conditions. Le présent rapport résume le contenu de trois articles qui ont détaillé les résultats en lien avec l’objectif de cette étude.

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 imitation

Not 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.

metaresearch head score (Codex)0.005
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.314
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0050.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.000
Science and technology studies0.0000.000
Scholarly communication0.0000.001
Open science0.0000.000
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.128
GPT teacher head0.365
Teacher spread0.237 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same topicFire dynamics and safety researchFrench-language works237,207