Bibliographic record
Abstract
Attualmente ci sono milioni di persone che utilizzano protesi, e molti sono gli utenti sportivi che ne usufruiscono a livello dilettantistico. \nOgni protesi deve rispondere alle esigenze del singolo fruitore, non si può realizzare una protesi “uguale per tutti”, proprio per questo i costi di pro-duzione e di vendita sono molto elevati. \nIn USA e Canada le persone con arti amputati a causa dell’ischemia sono oltre l’80%, la maggioranza delle amputazioni riguarda principalmente gli arti inferiori. \nLo scopo di questo “progetto” è quello di realizzare una protesi composta da alcuni elementi fissi e al-tri no, per arrivare ad un prodotto composto da un endoscheletro transtibiale versatile e più facilmen-te adattabile alle esigenze dei singoli individui. Questo nuovo modello di protesi deve poter adat-tarsi più facilmente, essere più funzionale e rapportarsi meglio con ergonomia e materiali. \nPer realizzare il 3D della protesi, sono state prese in considerazione le misure ergonomiche di un uomo, europeo, di età compresa tra i 25 e i 30 anni. Per la simulazione della protesi è stato utilizzato il sistema “Analisi dello stress e di analisi chimica”. Ogni simulazione è stata realizzata con materiale differente: metallo, polimeri etc… per capire meglio le forze e i momenti applicati in corrispondenza delle articolazioni, soffermandosi con maggiore interesse sul ginocchio destro. \nI risultati hanno portato alla determinazione della protesi che meglio risponde a tutte le richieste e che meglio si relazione al comportamento biomeccanico.
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 | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.050 | 0.015 |
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".