Improving Body Mechanics Using Experiential Learning and Ergonomic Tools in Massage Therapy Education
Notice bibliographique
Résumé
INTRODUCTION: Current industry data suggest that the rise in occupational injuries for massage therapists is contributing to a significant number leaving the profession after a few short years. While many massage therapists are taught methods for proper body mechanics and self-care within their career educational programs, there are few consistencies in the theoretical approaches to these concepts, even though it is a required component in massage therapy career training. PURPOSE: This study demonstrates a measurable and effective teaching method using a combination of experiential and transformative learning theory models and authentic ergonomics measurement tools to teach effective body mechanics in entry level career training that may be sustainable for new massage therapists entering the field. METHODS: Four cohorts of students (N = 17) enrolled in a kinesiology course for massage therapists were studied using a mixed-methods time series experimental design. A pre- and post-test was conducted by utilizing two industry standard ergonomics risk factor assessment tools as measurable data for score comparison, to denote improvements in each student's risk factor tendencies and provide evidentiary support of learning transfer. Between the pre- and post-test, students participated in a series of experiential learning exercises within class sessions during the semester and completed two reflection journals discussing their experiences. RESULTS: The results showed that there was a statistically significant reduction in ergonomics risk factor scores for all students studied. CONCLUSION: The success of this study demonstrates that the instructional design using experiential and transformative educational theory and general ergonomics concepts is an effective approach to teaching proper body mechanics to massage therapy students which can be adopted into universally accepted curriculum on many levels and could eventually contribute to reduction of occupational injury in the future.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».