Understanding and preventing bypassing of safeguards on machinery through an assessment tool based on probability levels
Bibliographic record
Abstract
Comment les préventeurs des milieux de travail peuvent-ils identifier les incitatifs au contournement des moyens de protection sur leur machine, 2) Comment ces préventeurs peuvent-vi ils trouver des mesures préventives pour vaincre le contournement sur leur machine, et 3) Comment peut-on évaluer ces incitatifs afin d'éviter de contourner des moyens de protection de la machine pendant sa phase d'utilisation ?Cette thèse présente une liste qui couvre un vaste champ de 72 incitatifs possibles au contournement, en se basant sur la littérature.Ils sont classés selon les cinq principales catégories suivantes : ergonomie, productivité, machine ou moyens de protection, comportement et climat d'entreprise.De plus, cette thèse fournit une panoplie de solutions, basées sur la littérature, comprenant 82 mesures préventives afin d'éviter le contournement des moyens de protection; elles sont classées en facteurs d'influence techniques, organisationnels et individuels.L'outil développé, sur la base des catégories d'incitatifs mentionnés ci-dessus, permet d'évaluer le contournement des moyens de protection et prévenir ce contournement lors de la phase d'exploitation des machines.Par conséquent, cette thèse sert non seulement à concevoir un outil mais aussi à améliorer la compréhension du problème du contournement.L'outil proposé est capable d'estimer qualitativement la probabilité de contournement selon quatre niveaux : faible, modéré, significatif et élevé.Ces niveaux aident les décideurs des entreprises à établir des priorités dans les mesures préventives visant à éliminer ou à réduire les incitatifs de contournement dans leur milieu de travail.Cet outil est testé d'abord avec cinq rapports d'accidents liés au contournement, puis en l'appliquant à quatre entreprises manufacturières et à des machines réelles comme études de cas dans la province de Québec.Au total, cinq préventeurs en SST dans ces entreprises, en tant qu'utilisateurs de l'outil proposé, ont appliqué l'outil à 18 machines et 37 activités.Un questionnaire a permis de recueillir les commentaires des préventeurs en SST.Ces derniers ont trouvé l'outil utile avec un niveau de satisfaction élevé (82 %).Leurs commentaires ont permis d'améliorer l'outil.Ensuite, un processus hiérarchique de l'amélioration de la sécurité est présenté pour les machines et les moyens de protection.Enfin, les résultats de l'outil sont utilisés pour définir des mesures préventives afin d'éliminer ou de réduire les incitatifs, ainsi que pour illustrer comment les préventeurs en SST pourraient utiliser les résultats de l'outil pour définir des mesures préventives dans leur entreprises.Cette meilleure compréhension de l'enjeu du contournement a permis de concevoir l'outil dédié à la phase d'exploitation des machines pour évaluer les incitatifs sur les machines existantes.Les préventeurs en SST peuvent utiliser périodiquement cet outil dans le milieu de travail pour vii effectuer des audits et des évaluations, afin de comprendre la raison pour laquelle des accidents liés au contournement surviennent, ainsi que pour prévenir le contournement.Les incitatifs identifiés par les utilisateurs finaux peuvent alimenter les concepteurs de machines en connaissances additionnelles, conformément à la boucle de rétroaction du processus de réduction des risques recommandé par la norme ISO 12100:2010 (boucle représentant le retour d'expérience de l'utilisateur au concepteur de la machine).Cet outil fournit une approche préventive pour les entreprises: 1) éviter le contournement des moyens de protection en analysant les motifs au contournement plutôt que de blâmer les opérateurs, 2) réduire le nombre d'accidents dus au contournement et, par conséquent, 3) augmenter la productivité.viii
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 | 0.003 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".