MétaCan
Menu
Retour à la cohorte
Enregistrement W2750286666 · doi:10.1097/jom.0000000000001145

The Influence of Body Mass on Physical Fitness Test Performance in Male Firefighter Applicants

2017· article· en· W2750286666 sur OpenAlexaff
Devin B. Phillips, Michael P. Scarlett, Stewart R. Petersen

Notice bibliographique

RevueJournal of Occupational and Environmental Medicine · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueOccupational Health and Performance
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTreadmillTest (biology)Analysis of varianceClimbAdult maleMathematicsPhysical therapyAnimal scienceMedicineStatisticsEngineeringBiologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The influence of body mass on test performance was investigated in 414 male firefighter applicants who completed a maximal treadmill test and five task-simulation tests while dressed in fire protective ensemble. METHODS: Subjects were assigned to six mass categories from less than 70 kg to more than 110 kg, in 10 kg increments (n = 69 in each). RESULTS: Treadmill performance was lower (P < 0.05) in the two heaviest groups. Charged hose advance time was slower in the two lightest groups. The lightest group had slower times for weighted sled pull, forcible entry, and victim rescue tests. The heaviest group was slower on the ladder climb test. CONCLUSION: Lighter subjects had a small advantage in endurance-oriented tests while higher mass appeared to improve performance slightly in strength-oriented tests. However, mass explained only 4% to 19% of the variance in performance.

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)0,001
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,514

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
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 Opus0,038
Tête enseignante GPT0,399
Écart entre enseignants0,360 · 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'étudeObservationnel
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

Citations27
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Occupational and Environmental MedicineMême sujetOccupational Health and PerformanceTravaux en français237 207