A database of predictor test sex bias for development of military physical employment standards
Notice bibliographique
Résumé
BACKGROUND: Hesitation to employ females for physically demanding jobs is often due to sex related physical abilities. A physical employment standard (PES) identifies individuals who are physically capable for work. OBJECTIVE: A database containing 300 + sources of physical performance tests (PFTs) will inform potential sex bias for PES development. METHODS: Weighted means and probability density curves illustrate the percentage overlap between male and female performance on PFT data from the armed forces of 11 countries and the open literature. Where female training data were available, the change in percentage overlap illustrates the potential for reduction in sex-related differences. RESULTS: PFTs demonstrating the extremes of sex disparity were bench press (11 sources) and sit-ups (14 sources) with 9% and 93% overlap in performance, respectively. Training for bench press; pull ups; VO2max; and upright pull improved female performance by 12%, 22%, 35%, and 23% respectively. This translated into narrowing the gap between male and female mean performance by 1%, 4%, 5%, and 10% respectively. CONCLUSIONS: The ability of PFT to predict performance is essential; however, PFTs with more overlap will facilitate development of PES with reduced sex bias. PFTs with the greatest potential for improvement in females are identified here.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 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 ».