La prévention des blessures dans les terrains de jeux
Bibliographic record
Abstract
Dans un climat d’inquiétude croissante à l’égard de l’obésité juvénile et de l’inactivité, les terrains de jeux permettent aux enfants d’être actifs. Ils comportent toutefois aussi des risques, les blessures causées par des chutes étant de loin les plus courants. Les recherches démontrent la possibilité de réduire les blessures dans les terrains de jeux si on abaisse la hauteur des structures de jeu et si on utilise des surfaces molles et profondes pour amortir les chutes. L’Association canadienne de normalisation a publié des normes volontaires qu’elle a mises à jour plusieurs fois pour tenir compte de ces risques. Afin de contribuer à les réduire, les parents peuvent respecter des stratégies simples. Le présent document de principes souligne le fardeau des blessures subies dans les terrains de jeux. Il procure également aux parents et aux dispensateurs de soins des occasions de réduire l’incidence et la gravité des blessures grâce à l’éducation et à la défense d’intérêts, ainsi que de mettre en œuvre des normes de sécurité probantes et des stratégies plus sécuritaires dans les terrains de jeux locaux. Enfin, il remplace le document de principes de la Société canadienne de pédiatrie publié en 2002 sur le sujet.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".