Percepção da dor musculoesquelética relacionada ao uso excessivo de smartphone e notebook por estudantes de graduação
Bibliographic record
Abstract
O desenvolvimento tecnológico tem como objetivo facilitar a vida do ser humano, economizando seu tempo e tornando mais fácil o acesso à informação e a comunicação. Porém, o uso excessivo destas, por mais de 2 a 4 horas diárias, associado a posições inapropriadas no período de uso, acumulam lentamente prejuízos para o corpo resultando no aparecimento de dores no sistema musculoesquelético. O objetivo é analisar a percepção da dor e desconforto no sistema musculoesquelético frente ao uso excessivo de smartphone e notebook em estudantes de graduação. A pesquisa foi quantitativa descritiva transversal, sendo selecionados para este estudo, 37 estudantes do Curso de Fisioterapia de ambos os gêneros com média de idade de 21 anos. Para a realização da coleta dos dados foram utilizados, o questionário MCGill, a escala visual analógica (EVA), questionário de Usuários de Tecnologia, e o questionário de Dickinson. A prevalência de tempo de uso diário do smartphone foi de 5 a 6 horas, em relação ao notebook de 2 a 4 horas diariamente, permanecendo maior parte do dia conectada a estas tecnologias, resultando em dores em diversas partes do corpo, principalmente na coluna cervical, ombros e coluna lombar. O estudo demonstrou alta prevalência (76%) de dor musculoesquelética nos entrevistados, sendo assim, é necessária a conscientização do uso destas tecnologias, a fim de prevenir índices de queixas relacionadas ao uso indiscriminado.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".