A Quantitative Comparison of Slackline Balancing Capabilities of Experts and Beginners
Notice bibliographique
Résumé
Mechanical stability criteria are able to explain balance and robustness during simple motions, however, humans have learned many complex balancing tasks for which science lacks a thorough understanding. In this work, we analyzed slackline balancing to define general balance performance indicators. The goal is to not only measure slackline expertise, but to be able to quantify stability during any balance task. For this, we compared beginners that had never balanced on a slackline before to professional slackline athletes. Further, all participants performed a static balance test, based on which we divided beginners into a balance-experienced and a balance-inexperienced group. On average, the balance experienced group was able to balance twice as long on the slackline and therefore, we showed that this static balance experience is a predictor of slackline balance performance. Based on over 300 balancing trials on the slackline of 20 participants, we then defined and evaluated over 30 balance metrics. The parameters can be grouped into quantification of stability and recovery movements, balance specific skills and balance strategies. We found that normalized angular momentum and center of mass acceleration are measures for overall stability, with lower values representing better stability and fewer recovery movements. We showed that improved hand coordination and adjusted stance leg compliance are valuable skills for balance tasks. especially when controlling external forces. Looking at posture and movement strategies, we found that professional slackliners have adapted a different mean pose with larger inertia and an upright head position, when compared to beginners.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».