Comparison of Methods for Postural Assessment in the Operation of Agricultural Machinery
Notice bibliographique
Résumé
The aim of this study was to perform a comparative analysis of the methods of ergonomics assessment RULA, REBA, OWAS and TOR-TOM, which the intent is to highlight similarities and differences in their use, during tillage operation with farm machinery. The study was conducted through an exploratory research in Boa Vista do Incra, RS, in August 2017, during soil preparation operation, with a tractor-subsoiler set. The operation was filmed over a period of 10 hours. After that, it was selected one hour of video, which was assumed to be representative, the video was analyzed by the methods RULA, REBA, OWAS and TOR-TOM through the software Ergolândia 5.0 and TOR-TOM, with the aid of information on noise, temperature and strength. For the comparative analyses, it was analyzed the ease of application, the importance of posture and complementary variables, and the scope of activity and postural factors. The OWAS method showed highlight in the ease of application, while the REBA and RULA methods stood out for the importance of the postural variables. For the importance of the complementary variables, RULA, followed by REBA, are worth mentioning as the most suitable. Similar results were obtained for the scope of posture factors, especially for these two methods. Regarding the scope of activity factors, the TOR-TOM obtained the most satisfactory results. Thus, the comparative analysis has highlighted the RULA method as the most suitable for postural analysis in agricultural machinery, besides the REBA method, for presenting very similar situations, contemplating full body analysis.
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 | 0,002 | 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 | 0,001 | 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 ».