QUESTIONÁRIO MAASTRICHT DE MEMBRO SUPERIOR: MAASTRICHT UPPER EXTREMITY QUESTIONNAIRE (MUEQ)
Bibliographic record
Abstract
Introdução: A inovação digital tem modificado o contexto de trabalho na europa e no mundo. As empresas devem estar cientes desta nova integração, instituindo medidas de adaptação e correção no intuito de melhorarem as condições de trabalho dos seus trabalhadores. Objetivo: Identificar a produção científica, acerca do Maastricht Upper Extremity Questionnaire (MUEQ), por forma a mapear o conhecimento já produzido sobre este instrumento de avaliação. Metodologia: Foi realizada uma revisão integrativa da literatura, de acordo com as recomendações de Toronto e Remington. Resultados: Identificaram-se 270 artigos, dos quais se incluíram 21. Da análise de conteúdo indutiva efetuada, emergiram 4 categorias temáticas: fatores de risco; condições/ambiente de trabalho; sintomatologia e género. Conclusão: Os resultados obtidos referem a importância e abrangência do MUEQ como ferramenta de análise de riscos ergonómicos e psicossociais em trabalhadores que operam com equipamentos dotados de visor. É um instrumento válido e confiável para diversas populações. Sugerem-se estudos de adaptação cultural e validação em países culturalmente distintos daqueles em que o MUEQ já se encontra disponível, efetuando comparações com as propriedades psicométricas das diversas versões. Estudos randomizados controlados são necessários para atestar a sua responsividade e obter resultados mais confiáveis provenientes da aplicação aleatória desse instrumento.
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 | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".