Maalla ja vedessä tehtävän askelluksen vaikutus sykkeeseen ja koettuun rasituksen tunteeseen
Bibliographic record
Abstract
Tässä opinnäytetyössä tutkittiin vedessä ja maalla tehdyn askelluksen riippuvuussuhdetta sykkeeseen. Toisena tutkimuskysymyksenä oli mitattavien henkilöiden subjektiivinen tuntemus rasituksesta. Tutkimus tehtiin alkututkimuksena tulevaisuudessa tulevalle jatkotutkimukselle aiheesta yhteistyössä Karier Oy:n Kari Löytökorven kanssa.\n\nMittaukset suoritettiin Karier Oy:n allastiloissa. Tutkimuksen teoreettisena pohjana käytettiin Canadian Aerobic Fitness Testiä (CALF). Mitattavat askelsivat yhteensä yhdeksän minuuttia, jonka aikana tempoa nostettiin kolmesti CALFin ohjeistuksen mukaisesti. Temmon määritti mittauksissa metronomi. Mitattavat askelsivat ensin maalla pareittain ja tämän jälkeen yksittäin vedessä. Mittauksien mittareina käytettiin sykemittaria ilmoittamaan objektiivisesta rasittumisesta ja Borgin RPE-asteikkoa kuvaamaan subjektiivista rasittumista. Tutkimuksen otos oli 19 (n=19) 50-70-vuotiasta naista. \n\nTutkimustuloksiksi saatiin, että maalla askelluksessa syke nousi eksponentiaalisesti, kuten oli odotettukin. Maalla askeltaessa RPE-arvo ei seurannut täysin sykettä. Vedessä syke ei temmon nousuista huolimatta noussut säännöllisesti, vaan pysyi samalla tasolla koko askelluksen ajan. RPE-arvo seurasi sykettä vedessä.\n\nTutkimustulokseksi saatiin, että vedessä tehdyn askelluksen jälkeisen minuutin levon jälkeen mitattavien syke nousi useita iskuja minuutissa, mutta tasaantui levon jatkuessa. Tämä on erittäin tärkeä huomio varsinkin sydän- ja verisuonisairauksista kärsivien kannalta. Heidän kannaltaan on tärkeää myös tietää aiempien tutkimustulosten perusteella, että syke on vedessä 8-16 iskua minuutissa matalampi kuin maalla ja että rasitustaso maalla saavutetaan vedessä jo pienemmällä kuormituksella.\n\nTärkeänä johtopäätöksenä tästä tutkimuksesta tuli, että vesiliikuntaa järjestävissä laitoksissa on huomioitava asiakkaiden sydän- ja verenkiertohäiriöiden riski. Vastaava tulos on tullut esiin jo muissakin tämän kaltaisissa tutkimuksissa. Tämä riski voi olla asiakkaan tiedossa, mutta se voi olla myös piilevänä, jolloin asiakas itsekkään ei ole tietoinen sen olemassa olosta. Varsinkin nämä asiakkaat on tärkeä poimia muiden joukosta esimerkiksi kyselylomakkeiston kautta, jotta vaaratilanteilta ja mahdollisilta sairaskohtauksilta vältytään.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.096 | 0.022 |
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".