Recueil de fiches de l’IRSST concernant la COVID-19
Bibliographic record
Abstract
La COVID-19 a bouleversé les activités de tous les milieux de travail. Dès le début de la pandémie, les scientifiques de l’Institut de recherche Robert-Sauvé en santé et en sécurité du travail (IRSST) ont travaillé sans relâche pour proposer des solutions aux milieux de travail afin de protéger la santé des travailleuses et travailleurs. En plus de collaborer à la révision des guides et avis d’autres institutions, tels que l’Institut national de santé publique du Québec (INSPQ) et la Commission des normes, de l’équité, de la santé et de la sécurité du travail (CNESST), l’IRSST a également publié des fiches, recommandations et outils sur son site Web. Plusieurs de ces fiches ont été préparées à la demande de partenaires sociaux, représentants des employeurs, des travailleuses et travailleurs et membres du conseil scientifique de l’IRSST. Ce recueil a été créé afin de démontrer et documenter comment les scientifiques de l’IRSST ont su se mobiliser et réagir rapidement à cette nouvelle menace pour les travailleuses et travailleurs du Québec. Il se veut un « portrait instantané » de la situation et des solutions apportées durant la période entre les mois de mars 2020 à février 2021.Ces fiches sont présentées dans l’ordre chronologique où elles ont été mises en ligne sur le site Web de l’IRSST.
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 | 0.009 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.004 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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".