TEKERLEKLİ SANDALYE KULLANICILARI İÇİN ÇALIŞMA MASASI TASARIMI
Bibliographic record
Abstract
Kentlerdeki nüfus artışı yaşam kalitesinin düşmesine ve bireylerin ihtiyaçlarının gerektiği gibi karşılanamamasına neden olmaktadır. Bu olumsuz koşullardan en çok etkilenen kesim ise hareket kısıtlılığı yaşayan engelli bireylerdir. Dünya Sağlık Örgütü (DSÖ) verilerine göre dünya nüfusunun 1 milyardan fazlasında çeşitli engellilik durumu bulunmakta, Birleşmiş Milletler Kalkınma programına göre bu engellilerin %80’i gelişmekte olan ülkelerde yaşamaktadır. Türkiye’de ise Ulusal Engelli Veri Tabanına göre (Mayıs 2022) nüfusun %2,97’sinin yani 2,5 milyon engelli birey olduğu belirtilmektedir. Ülkemizdeki engelli bireylerin önemli bir kısmını (%13,78) ortopedik engelli bireyler oluşturmaktadır. Bu çalışmada; evrensel tasarım ilkeleri ışığında tekerlekli sandalye kullanıcısı bireylerin çalışma ve sosyal hayatlarında işlerini kolaylaştıracak çalışma masası tasarımı gerçekleştirilmiştir. Bunun için Ghani ve diğerleri ile Cheng-Lung Lee’nin çalışmaları ve TS 9111 ile “City Of Toronto Accessibility Design Guidelines, 2004”deki ölçümler dikkate alınmıştır. Masa tasarımında temel olarak çalışan tekerlekli sandalye kullanıcısı bireyler hedeflenmiş olsa da yaşlılar ve farklı engele sahip bireyler için de organize edilebilecek demonte bir yapı düşünülmüştür. Tasarlanan model, piyasada satılan masa modelleri incelenerek, bu modellerden farklı olacak şekilde geliştirilmiştir.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.026 | 0.005 |
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".