Comparison of 5 Normalization Methods for Knee Joint Moments in the Single-Leg Squat
Notice bibliographique
Résumé
Ratio scaling is the most common magnitude normalization approach for net joint moment (NJM) data. Generally, researchers compute a ratio between NJM and (some combination of) physical body characteristics (eg, mass, height, limb length, etc). However, 3 assumptions must be verified when normalizing NJM data this way. First, the regression line between NJM and the characteristic(s) used passes through the origin. Second, normalizing NJM eliminates its correlation with the characteristic(s). Third, the statistical interpretations following normalization are consistent with adjusted linear models. The study purpose was to assess these assumptions using data collected from 16 males and 16 females who performed a single-leg squat. Standard inverse dynamics analyses were conducted, and ratios were computed between the mediolateral and anteroposterior components of the knee NJM and participant mass, height, leg length, mass × height, and mass × leg length. Normalizing NJM-mediolateral by mass × height and mass × leg length satisfied all 3 assumptions. Normalizing NJM-anteroposterior by height and leg length satisfied all 3 assumptions. Therefore, if normalization of the knee NJM is deemed necessary to address a given research question, it can neither be assumed that using (any combination of) participant mass, height, or leg length as the denominator is appropriate nor consistent across joint axes.
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 | 0,017 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».