MétaCan
Menu
Retour à la cohorte
Enregistrement W2116552160 · doi:10.1123/jab.2013-0081

Measurement of the Effect of Playground Surface Materials on Hand Impact Forces During Upper Limb Fall Arrests

2014· article· en· W2116552160 sur OpenAlexafffund
Woochol Joseph Choi, Harjinder Kaur, Stephen N. Robinovitch

Notice bibliographique

RevueJournal of Applied Biomechanics · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensSimon Fraser University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésNatural rubberTileFiberRADIUSTorsoGeotechnical engineeringMaterials scienceComposite materialGeologyMedicineComputer scienceAnatomy

Résumé

récupéré en direct d'OpenAlex

Distal radius fractures are common on playgrounds. Yet current guidelines for the selection of playground surface materials are based only on protection against fall-related head injuries. We conducted "torso release" experiments to determine how common playground surface materials affect impact force applied to the hand during upper limb fall arrests. Trials were acquired for falls onto a rigid surface, and onto five common playground surface materials: engineered wood fiber, gravel, mulch, rubber tile, and sand. Measures were acquired for arm angles of 20 and 40 degrees from the vertical. Playground surface materials influenced the peak resultant and vertical force (P<.001), but not the peak horizontal force (P=.159). When compared with the rigid condition, peak resultant force was reduced 17% by sand (from 1039 to 864 N), 16% by gravel, 7% by mulch, 5% by engineered wood fiber, and 2% by rubber tile. The best performing surface provided only a 17% reduction in peak resultant force. These results help to explain the lack of convincing evidence from clinical studies on the effectiveness of playground surface materials in preventing distal radius fractures during playground falls, and highlight the need to develop playground surface materials that provide improved protection against these injuries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,317

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,280
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied BiomechanicsMême sujetInjury Epidemiology and PreventionTravaux en français237 207