Troubles musculosquelettiques chez les ferrailleurs : facteurs de risque et pistes de prévention
Bibliographic record
Abstract
Les ferrailleurs sont des travailleurs du secteur de la construction qui posent et assemblent l'acier d'armature pour renforcer le béton.Ces derniers sont exposés à plusieurs risques (postures et mouvements contraignants, manutention de charges lourdes, etc.) qui les prédisposent à développer des troubles musculosquelettiques (TMS).Il en résulte que ce métier a la réputation d'être difficile physiquement, ce qui entraîne des problèmes de recrutement et de rétention des travailleurs. ObjectifDocumenter, à partir de la littérature, les principaux facteurs de risque de TMS auxquels sont exposés les ferrailleurs, ainsi que les pistes de prévention qui leur sont associées. Faits saillants• La pose et l'assemblage d'acier d'armature pourraient exposer les ferrailleurs à des facteurs de risque de TMS, tels que :̛le maintien d'une flexion prononcée du tronc, ̛l'exécution de mouvements rapides et répétitifs du poignet, ̛la manutention de charges lourdes, ̛le travail sur des surfaces inégales ou instables, ̛l'intensité excessive du travail physique.• Des outils motorisés ont été conçus dans le but de réduire les postures et mouvements contraignants qui sont associés à la ligature manuelle de l'acier d'armature avec une pince.Institut de recherche Robert-Sauvé en santé et en sécurité du travail Documents complémentaires recommandésMarchessault, L.,
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".