État de la recherche sur la mise en œuvre des stratégies de transfert de connaissances en santé et sécurité du travail : une revue de la portée
Bibliographic record
Abstract
Le domaine de la santé et la sécurité du travail (SST) bénéficie de l'application des connaissances issues de la recherche (CIR) par la mise en œuvre d'une panoplie d’interventions en milieux de travail. Ces stratégies de transfert de connaissances (TC) ont pour but d’améliorer la santé et la sécurité des travailleurs. Toutefois, malgré les preuves disponibles sur la mise en œuvre de ces interventions, il existe encore peu d’orientations sur les pratiques de mise en œuvre dans ce domaine. Le présent mémoire vise à faire l’état de la recherche actuelle sur les facteurs qui font obstacle ou facilitent leurs mises en œuvre. Pour ce faire, une revue de la portée a été réalisée. Au total, 30 études ont été retenues. Trois cadres conceptuels ont été mobilisés lors de l’analyse. Dans l'ensemble, les stratégies de TC répertoriées sont mises en œuvre dans des contextes très variés, mettant en évidence la complexité inhérente à ce domaine de recherche et de pratiques. Ces stratégies revêtent également de nombreuses formes (p. ex. activités de formation) et s’adressent à divers utilisateurs (p. ex. travailleurs, \ngestionnaires, etc.). Plusieurs facteurs notables exercent une influence sur la mise en œuvre des stratégies de transfert de connaissances, englobant quatre domaines du Consolidated Framework for Implementation Research (CFIR) : les caractéristiques de l’intervention, le contexte interne, les caractéristiques des individus et le processus d’implantation. La spécificité de ces facteurs dans le contexte de la SST est discutée. En conclusion, nous proposons des pistes \nde réflexion pour guider les recherches futures sur le sujet.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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.
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".