10.1016/s1283-0887(24)47573-7
Bibliographic record
Abstract
Pour les personnes ne souffrant d’aucune pathologie, la marche à vitesse intermédiaire (4- 5 km h−1) est une activité requérant un effort modéré. En revanche, pour les personnes souffrant de pathologies locomotrice, nerveuse, cardiaque et/ou pulmonaire, cette activité peut nécessiter un effort important. Dans ce cas, la vitesse de progression est souvent réduite à moins de 2 km h−1. Lors de la rééducation, le kinésithérapeute doit pouvoir estimer l’effort musculaire que son patient réalise (mécanique) et la quantité d’énergie chimique qu’il dépense (énergétique) durant la marche. La méthode la plus utilisée pour estimer la consommation d’énergie chimique est la calorimétrie indirecte. Il existe plusieurs méthodes pour estimer le travail musculaire. La méthode que nous proposons, ici, divise le travail musculaire en travail externe (Wext) et travail interne (Wint). L’étude du Wext a permis l’identification des deux mécanismes fondamentaux de la locomotion humaine : le modèle pendulaire de la marche et le modèle de rebond de la course. Aucun de ces deux mécanismes n’apparaît aussi clairement avec les autres méthodes. Nous montrerons ensuite comment la coordination des mouvements des segments du membre inférieur permettent de lisser la trajectoire du bassin, afin de réduire les variations d’énergie cinétique et potentielle du centre de masse corporel et, par conséquent, le coût énergétique de la marche. Nous verrons également que le mécanisme pendulaire permet de réduire le Wext. Nous évaluerons ensuite la quantité de travail musculaire, de même que l’énergie métabolique consommée aux différentes vitesses de marche. Cet article est le dernier d’une série de trois consacrés à la marche normale. Dans le premier, nous analysons les mouvements des segments des membres inférieurs. Le second est consacré à l’activité musculaire au niveau des membres inférieurs
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.997 | 0.996 |
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; both teacher heads agree on what is shown here.
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".