Glove Attributes and Their Contribution to Force Decrement and Increased Effort in Power Grip
Notice bibliographique
Résumé
OBJECTIVE: To determine the contribution of the loss of tactile sensitivity, glove flexibility, glove thickness, and changes in finger geometry to force decrement and increased effort during gloved power grip. BACKGROUND: Gloved work has been shown to increase the effort required to perform manual tasks. METHOD: A battery of maximal and submaximal gripping tasks was performed while grip force and surface electromyography of seven forearm muscles were recorded. Participants performed power grips while wearing three different thicknesses of rubber gloves (differing only in thickness; maximum 3.1 mm), wearing interdigital spacers between the fingers (matched to the glove thicknesses), and with a bare hand. RESULTS: Decreases in maximum grip force compared with the bare hand were observed for the thickest glove (-31.0 +/- 6.8%, p < .05) and for the thickest interdigital spacers (-9.7 +/- 5.9%, p < .05). Participants increased their grip force with increasing glove thickness for a submaximal object-lifting task (p < .01). To maintain an unloaded grip posture and to create a fixed submaximal force, participants increased muscle activation (p < .05) for all muscles with increasing glove thickness. CONCLUSION: Decreases in maximal grip force and increased effort in submaximal tasks could be attributed to a combination of reduced tactile sensitivity, the effort to bend the gloves, and interdigital separation. APPLICATION: Although the values obtained are specific to the rubber gloves tested, the results give insights into factors important in the design and selection of gloves.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».