The effect of posture category salience on decision times and errors when using observation-based posture assessment methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 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 découle