Amélioration du confort des harnais de sécurité pour le secteur de la construction par l’évaluation des contraintes physiques et physiologiques
Bibliographic record
Abstract
Les chutes au niveau inférieur sont parmi les 10 premières causes de lésions professionnelles sur la période 2010-2012 et représentent environ 5 000 lésions professionnelles par an, au Québec. Elles représentent également une cause importante de décès au travail (la troisième cause en 2019). La stratégie de protection contre les chutes de hauteur consiste dans un premier temps à éliminer le risque à la source : dans la mesure du possible, il faut éviter les travaux en hauteur. Si cela n’est pas possible, il faut empêcher la chute avec un garde-corps ou l’arrêter par une autre protection collective comme les filets. Enfin, en dernier recours, des systèmes individuels d’arrêt de chute sont fournis aux travailleuses et travailleurs et incluent systématiquement un harnais de sécurité. Plusieurs études citent la non-utilisation de harnais comme une des principales causes de décès à la suite d’une chute de hauteur dans le milieu de la construction. Cette recherche avait deux objectifs, 1) évaluer en laboratoire le confort de diverses configurations de harnais et 2) déterminer les caractéristiques des harnais qui optimisent le confort et les valider pour des mouvements contrôlés et en suspension.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".