MétaCan
Menu
Retour à la cohorte
Enregistrement W4408562130 · doi:10.1016/j.apergo.2025.104487

Human slip perception while walking on ice: Can we rely on self-reported slip counts for winter footwear evaluations?

2025· article· en· W4408562130 sur OpenAlexafffund
Davood Dadkhah, Hamed Ghomashchi, Tilak Dutta

Notice bibliographique

RevueApplied Ergonomics · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueWinter Sports Injuries and Performance
Établissements canadiensToronto Rehabilitation InstituteUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSlip (aerodynamics)PerceptionPoison controlEngineeringForensic engineeringEnvironmental scienceGeodesySimulationGeologyPsychologyMedicineMedical emergencyAerospace engineeringNeuroscience

Résumé

récupéré en direct d'OpenAlex

Fall-related injuries on icy surfaces are a major public health concern. Slip-resistant winter boots that incorporate the latest composite outsole technologies have demonstrated the potential to prevent falls in winter weather in lab-based testing. However, the real-world benefits of this composite footwear remain difficult to measure because of a lack of accurate evaluation methods. In particular, existing methods rely on comparing self-reported slip counts to identify differences in slip resistance performance between different footwear models. However, prior research has primarily focused on slip detection on soapy and oily surfaces, revealing that small slips ( ≤ 30 mm) often go undetected, with humans correctly identifying them only 50% of the time. No studies have yet examined slip perception on icy surfaces, which possess significantly lower coefficients of friction compared to soapy and oily environments. The objective of this study was to investigate the agreement between self-reported slip counts and motion capture detected slips while walking on ice with winter footwear. Twenty-five healthy participants were asked to walk on ice surfaces (melting ice 0.5 ± 1.0 °C and cold ice -3.5 ± 1.0 °C) while wearing three models of winter boots with varying slip resistance performance (poor, moderate, good) and were asked to report any slips they experienced. Ground truth slip identification and slip length measurement was done using an 8-camera Vicon motion capture system. Slips were categorized as small slips ( ≤ 30 mm), moderate slips (30–100 mm), or large slips ( > 100 mm) for each boot and the proportion detected by participants was calculated. A total of 7743 slips were identified from 53,944 steps captured by the motion capture system with 4395, 1999 and 1349 slips recorded from the boots with poor, moderate and good slip resistance, respectively. These included 1658 small slips, 2521 moderate slips, and 3564 large slips. Overall, participants only reported 38.3% of these slips including 375 small slips (22.6% reported), 823 moderate slips (32.6% reported) and 1767 large slips (49.6% reported). These findings showed a strong positive correlation between self-reported slips and slip length ( ρ = 0.573, p < 0 . 001 ) demonstrating that participants were significantly more likely to report larger slips. The findings of this study demonstrate the need to develop more objective methods of recording slip events for real-world winter footwear evaluations. • Investigates the agreement between self-reported slip counts and motion capture detected slips on icy surfaces. • Finds that participants reported only 38.3% of actual slip events recorded by motion capture. • Larger slips are significantly more likely to be reported than smaller slips, with a 49.6% report rate for large slips. • Concludes that self-reported slip counts may not provide a comprehensive measure of slip risk. • Demonstrates the need for more objective methods to evaluate winter footwear slip resistance in real-world conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,413
Score d'incertitude au seuil0,602

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,321
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied ErgonomicsMême sujetWinter Sports Injuries and PerformanceTravaux en français237 207