Predictors of Musculoskeletal Disorders Among Teachers: An Exploratory Investigation in Malaysia
Notice bibliographique
Résumé
Purpose: The present study aimed to examine the prevalence and gender differences in MSDs among teachers, as well as the interaction of  associated predictor .In addition, another aim of the study was to investigate the contribution of these predictors, which have not been examined thoroughly particularly in Malaysia. Methodology: A cross-sectional study was employed in this study. A questionnaire was used to measure physical factors, psychosocial factors, workload, work-life balance, general well-being, and MSDs levels among primary school teachers (N=460) from 10 primary schools in Kota Kinabalu. Findings: The prevalence of MSD in the past 6 months was 61.7% (95% CI: 57.4% – 65.9%). The present study findings also indicated that there were significant gender differences in MSDs between female and male teachers (t = 1.04, p< .05). Hierarchical multiple regression was conducted to examine a range of predictors related to MSDs. Physical factors (ß = .17, p<0.05). Multiple regression was used for a variety of predictors that are associated with MSD. Physical factors (ß = .17, p<0.05), psychosocial factors (ß = -.14, p<0.05), and general well-being (ß = .43, p<0.01) are significantly associated with MSD in Malaysian primary school teachers. Overall, model statistic result was F (3, 276) = 36.730, p=0.001, R² = .45 and adjusted R² = .435. The model explained 44.7% (r= 0.67) of the variance in MSD discomfort. Conclusion: The studies concerning MSDs among teachers revealed the need for a significant effort, not only to examine the risk factors but also to develop interventions to minimize MSDs for those in the teaching profession.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».