Skirtingos lyties pacientų kūno masės indekso, liemens-klubų apimties, nugaros skausmo bei liemens raumenų statinės ištvermės sąsaja
Bibliographic record
Abstract
Darbo objektas: tiriamųjų kūno masės indeksas, liemens ir klubų apimtis ir nugaros skausmas.\nTyrimo probema. Nutukimas ir nugaros skausmai yra šiuolaikinės visuomenės problema. Mokslininkai nesutaria dėl teorijų apie nugaros skausmo atsiradimo priklausomybę nuo nutukimo (Guo et al., 2008). \nTyrimo hipotezė. Manome, kad per didelis kūno svoris, didelė liemens ir klubų apimtis labiau įtakoja nugaros skausmų pasireiškimą.\nTyrimo tikslas. Išsiaiškinti tiriamųjų kūno masės indekso, liemens apimties ir nugaros skausmo sąsają.\nTyrimo uždaviniai:\n1.\tNustatyti skirtingos lyties pacientų nugaros skausmo intensyvumą ir negalios lygį dėl skausmo.\n2.\tNustatyti skirtingos lyties pacientų kūno masės indekso, liemens−klubų apimties ir nugaros skausmo sąsają. \n3.\tNustatyti skirtingos lyties pacientų statinę liemens raumenų ištvermę ir jos sąsają su kūno masės indeksu.\n4.\tNustatyti skirtingos lyties pacientų statinės liemens raumenų ištvermės sąsają su nugaros skausmu. \nMetodika: 86 tiriamieji dalyvavo tyrime, iš kurių 56 kentė nugaros skausmus. Tyrimas buvo atliekamas Šiaulių reabilitacijios centre. Buvo nustatomas tiriamųjų kūno masės indeksas, liemens ir klubų apimtys, liemens–klubų apimties santykis, liemens raumenų statinė ištvermė. Tiriamųjų nugaros skausmas buvo vertinamas naudojant McGill skausmo klausimyną ir Oswestry negalios indeksą. \nIšvados:\n1.\tNugaros skausmo intensyvumas tarp lyčių nesiskyrė, tačiau moterų negalios lygis buvo didesnis nei vyrų (p<0,001). \n2.\tTarp skirtingos... [toliau žr. visą tekstą]
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.052 | 0.011 |
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".