Proyecto para la implementación de fisiobalones en la biblioteca universitaria: Innovación ergonómica para el aprendizaje activo
Bibliographic record
Abstract
[ES] El dolor de espalda resulta uno de los principales problemas de salud a nivel mundial debido a su alta prevalencia (Lo et al., 2021; Meucci et al., 2015). Alrededor del 70-80% de la población general sufren dolor de espalda en algún momento de su vida (Vera-García et al., 2015). En muchos casos el dolor de espalda resulta inespecífico e inclasificable y acaba por resultar una afección de tipo crónico (Meucci et al., 2015). Uno de los principales factores de riesgo para el desarrollo de dolor de tipo lumbar es el sedentarismo (Mahdavi et al., 2021). Investigaciones recientes demuestran que la actividad sedentaria aumenta el riesgo de padecer dolor lumbar tanto en adultos como en niños y adolescentes (Mahdavi et al., 2021). Entre los niños y adolescentes la actividad sedentaria más común esta asociada a los largos periodos de sedestación en las aulas (McGill et al., 2006). Concretamente, diversos autores han investigado la influencia de la postura de sedestación mantenida sobre el desarrollo de dolor lumbar y cervical, acortamiento de la musculatura isquiotibial e incluso disminución de la calidad de vida (López et al., 2021; Recalde et al., 2023). En la actualidad existe un gran número de investigaciones sobre la higiene postural en las aulas y las estrategias de mejora y prevención (Borrego et al., 2018). Entre estas estrategias se incluyen programas de actividad física que buscan mejorar la condición física de los estudiantes (Flores-Paredes, 2020; Herbert, 2022; Neil- Sztramko et al., 2021). Algunas de las herramientas más usadas dentro de estos programas son los fisiobalones o también llamados “fitball” o, en español, fisiobalones (Behm et al., 2010; Pasco y Félix, 2018). El fisiobalón resulta una herramienta útil debido a su inestabilidad la cuál ayuda a la mejora del control motor, propiocepción y activación muscular tanto en jóvenes como en adultos
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 | 0.015 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.032 | 0.005 |
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".