Bibliographic record
Abstract
Der har gennem den seneste tid været diskussion af, hvorvidt Covid-19 kan anerkendes som en arbejdsskade. Senest har Arbejdstilsynet i samarbejde med Arbejdsskademyndighederne1 udarbejdet vejledning nr. 9210 af 22. april 2020 om vurdering af arbejdsskadesager om sygdom med Covid19 (herefter benævnt Covid-19 vejledningen). Beskæftigelsesministeren har i den forbindelse udtalt, at »det er vigtigt, at det er krystalklart, at man kan få anerkendt coronavirus som en arbejdsskade, hvis sygdommen skyldes arbejdet«2 Denne artikel tager udgangspunkt i lovbekendtgørelse nr. 376 af 31. marts 2020 om arbejdsskadesikring (herefter benævnt arbejdsskadesikringsloven eller ASL) og Covid-19 vejledningen. Der foretages en dybere analyse af, i hvilken udstrækning Covid-19 kan rummes inden for de nugældende regler og definitioner i arbejdsskadesikringsretten. Som det første belyser artiklen arbejdsskadesikringslovens begreber om henholdsvis arbejdsulykker og erhvervssygdomme. Dette gøres ved at inddrage praksis fra arbejdsskademyndighederne og domstolene. Afslutningsvist indeholder artiklen en konklusion, hvor de vigtige elementer ved vurderingen af Covid-19 som en arbejdsskade fremgår. En af hovedkonklusionerne er, at det er koncentrationen af den arbejdsmæssige påvirkning, der er afgørende i bedømmelsen af, om sygdommen er opstået som følge af arbejdet eller de forhold, det er foregået under. 1
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 | 0.012 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.072 | 0.032 |
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".