Reliability of Distal Upper Extremity Posture Matching Using Slow-Motion and Frame-by-Frame Video Methods
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to determine the effects of video playback speed on posture matching reliability of the distal upper extremity. BACKGROUND: Video is frequently used in ergonomic assessments, yet there remains a need to determine the effects of viewing speed on posture observations. METHOD: Participants were 7 graduate students experienced with posture-based observational methods. Categorical posture scales were used to evaluate forearm pronation/supination, wrist flexion/extension, wrist radioulnar deviation,and hand activity from workplace video at three playback speeds (quarter, half, and real time). Wrist flexion/extension was also evaluated with a frame-by-frame video method. RESULTS: Posture counts increased with slower viewing speeds for the wrist and hand, but percentage durations in each posture category were similar for all methods. Posture matching interrater reliability scores increased with slow-motion video playback but remained low even for quarter-time video playback. The highest interrater scores were found in the frame-by-frame analysis of wrist flexion/extension for three posture categories (percentage agreement = 84.9% +/- 1.3%; kappa = 0.54 +/- 0.02). CONCLUSION: Although slower video playback speeds increased the number of posture counts for the wrist and hand scales, percentage durations were similar, and reliability scores increased only slightly with slow-motion video playback. APPLICATION: Reviewing video using slow-motion or frame-by-frame methods improves distal upper extremity posture matching reliability. However, ergonomic assessment tools based on percentage duration may not be appreciably enhanced by slowing viewing speed. Thus, the increased viewing time with slower playback should be justified with respect to assessment needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».