Assessment of Joint Angle and Reach Envelope Demands Using a Video-Based Physical Demands Description Tool
Notice bibliographique
Résumé
BACKGROUND: Current methods for describing physical work demands often lack detail and format standardization, require technical training and expertise, and are time-consuming to complete. A video-based physical demands description (PDD) tool may improve time and accuracy concerns associated with current methods. METHODS: Ten simulated occupational tasks were synchronously recorded using a motion capture system and digital video. The tasks included a variety of industrial tasks from lifting to drilling to overhead upper extremity tasks of different cycle times. The digital video was processed with a novel video-based assessment tool to produce 3D joint trajectories (PDAi), and joint angle and reach envelope measures were calculated and compared between both data sources. RESULTS: Root mean squared error between video-based and motion capture posture estimated ranged from 89.0 mm to 118.6 mm for hand height and reach distance measures, and from 13.5° to 21.6° for trunk, shoulder, and elbow angle metrics. Continuous data were reduced to time-weighted bins, and video-based posture estimates showed 75% overall agreement and quadratic-weight Cohen's kappa scores ranging from 0.29 to 1.0 compared to motion capture data across all posture metrics. CONCLUSION AND APPLICATION: The substantial level of agreement between time-weighted bins for video-based and motion capture measures suggest that video-based job task assessment may be a viable approach to improve accuracy and standardization of field physical demands descriptions and minimize error in joint posture and reach envelope estimates compared to traditional pen-and-paper methods.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».