Buscar en Google Scholar
Título: Modelo predictivo de la conducta insegura en trabajadores del área de obras civiles en un proyecto de construcción
Asesor(es): Ojeda Mercado, Giancarlo
Campo OCDE: http://purl.org/pe-repo/ocde/ford#3.03.10; http://purl.org/pe-repo/ocde/ford#5.01.00
Fecha de publicación: 2023
Institución: Universidad Peruana Cayetano Heredia
Resumen: La accidentabilidad en el lugar de trabajo es la segunda causa de muerte con mayor incidencia en todo el mundo. Las estadísticas demuestran que el sector construcción es uno de los que presenta mayor índice de accidentabilidad y muertes debido a la exposición de los trabajadores a condiciones inseguras. Por otro lado, también están los actos inseguros derivados de comportamientos de riesgo generados por los trabajadores, denominados errores humanos. A este respecto, la presente investigación busca proponer un modelo que ayude a las empresas pertenecientes al sector construcción a predecir conductas inseguras que pueden causar accidentes laborales. Este modelo está basado en los años de experiencia del trabajador, los valores en el trabajo y los riesgos psicosociales. Para ello se contó con una muestra representativa de 209 trabajadores del área de Obras Civiles de un proyecto de infraestructura. La investigación es de tipo retrospectivo con alcance predictivo, con un diseño correlacional multivariado, para el análisis de los datos se empleó el programa smartPLS. La información recabada demuestra que el modelo predictivo basado en los años de experiencia del trabajador, los valores en el trabajo y los riesgos psicosociales explica el 41.4 % de la varianza de las puntuaciones de las conductas inseguras que generarían los accidentes laborales durante la realización de un proyecto de infraestructura. A ese respecto podríamos afirmar que la variable años de experiencia del trabajador predice sustancialmente las conductas inseguras que pueden causar accidentes de trabajo y esta predicción es sustancial puesto que intervienen las variables mediadoras que hacen parte del estudio. Así mismo y como aporte, se describen cuales son las conductas inseguras reales que pueden predecirse y con ello, prevenirse.

Accidents in the workplace are the second most frequent cause of death worldwide. Statistics show that the construction sector is among those with the highest rate of accidents and deaths due to the exposure of workers to unsafe conditions. On the other hand, there are also unsafe acts derived from risk behaviors generated by workers, called human errors. In this regard, this research seeks to present a model that helps companies in the construction sector predict unsafe behaviors that can cause accidents at work. This model is based on the worker's years of experience, values at work and psychosocial risks. To achieve it a representative sample of 209 workers corresponding to the Civil Works area of an infrastructure project was used. The research is retrospective with a predictive scope, with a multivariate correlational design, for data analysis the smartPLS program was used. The information obtained prove that the predictive model based on the worker's years of experience, values at work and psychosocial risks explains 41.4% of the variance of scores of the unsafe behaviors that could generate occupational accidents during the execution of an infrastructure project. In this regard, we could affirm that the variable years of worker experience substantially predicts unsafe behaviors that can cause work accidents and this prediction is substantial since the mediating variables that are part of the study intervene. Likewise and as a contribution, the real unsafe behaviors that can be predicted and thus prevented are described.
Disciplina académico-profesional: Psicología
Institución que otorga el grado o título: Universidad Peruana Cayetano Heredia. Escuela de Posgrado Víctor Alzamora Castro
Grado o título: Doctor en Psicología
Jurado: Bueno Cuadra, Roberto; Gutierrez Vásquez, Ramiro Jesús; Noe Grijalva, Hugo Martin
Fecha de registro: 31-ago-2023



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons