Terve olkapää, pidempi peliura : näyttöön perustuvat video-ohjeistukset olkapään vammojen ennaltaehkäisevään harjoitteluun pesäpallossa
Bibliographic record
Abstract
Pesäpallo on suomen kansallislaji, jolla harrastajia vuonna 2020 oli 16003 harrastajaa. Pesäpallossa tapahtuvaa heittoliikettä kutsutaan yliolan heitoksi, joka rasittaa voimakkaasti olkaniveltä. Useasti toistuva liike altistaa pelaajia olka- ja kyynärseudun vammoihin ja kiputiloihin. \n \nOpinnäytetyömme on toiminnallinen opinnäytetyö, joka tehtiin Porin Pesäkarhuille. Opinnäytetyössä tehtiin harjoitusvideot, joissa tavoitteena on pesäpalloilijoiden heittokäden sekä olkapään seudun vammojen ennaltaehkäisy sekä kuntoutus. Tavoitteenamme oli tuoda pelaajille helposti saavutettavat videot sekä helposti toteutettavat liikkeet. \n \nLiikkeidemme valitsemiseen käytettiin apuna Get set- applikaatiota ja fittoplay.org- www-sivustoa, sekä Pasanen ym. kirjaa Urheiluvammojen ehkäisy, hoito ja kuntoutus. Opinnäytetyössä panostettiin liikkuvuuden sekä voiman ja hallinnan parantamiseen urheilijoilla. Päädyttiin valitsemaan 11 liikettä, joissa on mahdollista varioida liikkeitä haastavuudeltaan niin suoritustavan kuin vastuksen ja käytettävän välineen mukaan, jotta harjoitteet olisivat kaikille ikäluokille saavutettavissa. Pyrittiin myös, että liikkeet on mahdollista tehdä niin kotona, kuin kuntosalilla. \n \nOpinnäytetyön tuloksena on laajat harjoitteluohjeet olkapään vammojen ennaltaehkäisyyn ja kuntoutukseen, jotka ovat helposti saatavilla Pesäkarhujen intrassa videoidussa muodossa. Jatkokehityksenä opinnäytetyölle olisi liikkeiden ja ohjeiden noudattamisen seuranta sekä niiden vaikutus vammoista kuntoutumiseen ja olkapäävammojen määrä viime vuosiin verrattuna.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.129 | 0.030 |
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".