The effect of posture category salience on decision times and errors when using observation-based posture assessment methods
Notice bibliographique
Résumé
Observation-based posture assessment methods (e.g. RULA, 3DMatch) require classification of body postures into categories. This study investigated the effect of improving posture category salience (adding borders, shading and colour to the posture categories) on posture selection error rates and decision times of novice analysts. Ninety university students with normal or corrected normal visual acuity and who were not colourblind, were instructed to select posture categories as quickly and accurately as possible, in five salience conditions (Plain (no border, no shading, no colour); Grey Border; Red Border; Grey Shading (GS) and Red Shading (RS)) for images presented in randomised blocks (240 classifications made by each participant) on a computer interface. Participants responded quickest in the Border conditions, classifying postures about 5% faster than in the Plain condition. Coloured diagrams significantly reduced posture classification errors by approximately 1.5%. Overall, the best performance, based on both error rate and decision time combined, resulted from incorporating a Grey Border to the posture category diagrams; a simple enhancement that could be made to most current observation-based posture assessment tools. PRACTITIONER SUMMARY: The salience of posture diagrams used in observation-based posture assessment tools was evaluated with respect to analyst error rates and decision times. The best performance resulted from incorporating a grey border to the posture diagrams; a simple enhancement that can be made to most current observation-based posture assessment tools.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».