A Systematic Review of Industrial Exoskeletons for Injury Prevention: Efficacy Evaluation Metrics, Target Tasks, and Supported Body Postures
Notice bibliographique
Résumé
Industrial workplaces expose workers to a high risk of injuries such as Work-related Musculoskeletal Disorders (WMSDs). Exoskeletons are wearable robotic technologies that can be used to reduce the loads exerted on the body's joints and reduce the occurrence of WMSDs. However, current studies show that the deployment of industrial exoskeletons is still limited, and widespread adoption depends on different factors, including efficacy evaluation metrics, target tasks, and supported body postures. Given that exoskeletons are not yet adopted to their full potential, we propose a review based on these three evaluation dimensions that guides researchers and practitioners in properly evaluating and selecting exoskeletons and using them effectively in workplaces. Specifically, evaluating an exoskeleton needs to incorporate: (1) efficacy evaluation metrics based on both subjective (e.g., user perception) and objective (e.g., physiological measurements from sensors) measures, (2) target tasks (e.g., manual material handling and the use of tools), and (3) the body postures adopted (e.g., squatting and stooping). This framework is meant to guide the implementation and assessment of exoskeletons and provide recommendations addressing potential challenges in the adoption of industrial exoskeletons. The ultimate goal is to use the framework to enhance the acceptance and adoption of exoskeletons and to minimize future WMSDs in industrial workplaces.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».