Notice bibliographique
Résumé
Abstract In many occupational settings, clothing must be worn to protect individuals from hazards in their work environment. However, personal protective clothing (PPC) restricts heat exchange with the environment due to high thermal resistance and low water vapor permeability. As a consequence, individuals who wear PPC often work in uncompensable heat stress conditions where body heat storage continues to rise and the risk of heat injury is greatly enhanced. Tolerance time while wearing PPC is influenced by three factors: (i) initial core temperature ( T c ), affected by heat acclimation, precooling, hydration, aerobic fitness, circadian rhythm, and menstrual cycle (ii) T c tolerated at exhaustion, influenced by state of encapsulation, hydration, and aerobic fitness; and (iii) the rate of increase in T c from beginning to end of the heat‐stress exposure, which is dependent on the clothing characteristics, thermal environment, work rate, and individual factors like body composition and economy of movement. Methods to reduce heat strain in PPC include increasing clothing permeability for air, adjusting pacing strategy, including work/rest schedules, physical training, and cooling interventions, although the additional weight and bulk of some personal cooling systems offset their intended advantage. Individuals with low body fatness who perform regular aerobic exercise have tolerance times in PPC that exceed those of their sedentary counterparts by as much as 100% due to lower resting T c , the higher T c tolerated at exhaustion and a slower increase in T c during exercise. However, questions remain about the importance of activity levels, exercise intensity, cold water ingestion, and plasma volume expansion for thermotolerance. Published 2013. Compr Physiol 3:1363‐1391, 2013.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,008 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».