Sportuojančių ir nesportuojančių paauglių netaisyklingos laikysenos, apatinės nugaros dalies skausmų ir dauginio stuburo raumens skerspjūvio ploto sąsaja
Bibliographic record
Abstract
Darbo objektas: sportuojančių ir nesportuojančių paauglių netaisyklingos laikysenos, apatinės nugaros dalies skausmų ir dauginio stuburo raumens skerspjūvio ploto sąsaja.\nVisame pasaulyje, tame tarpe ir Lietuvoje, nugaros skausmas yra rimta problema. Skausmas sekina žmones, blogina gyvenimo kokybę ir kas svarbiausia, kad skausmo sukelta negalia vargina daugiau žmonių nei vėžys ar širdies ligos. Žinoma, kad visos ligos jaunėja, serga ir suaugę, ir vaikai. Nustatyta, jog 57,8% mokyklinio amžiaus vaikų skauda nugarą (Shehab et al., 2004); 33,7% vaikų ir paauglių nugarą skauda vieną kartą per savaitę ar dažniau (Roth-Isigkeit et al., 2005). 23% vaikų su nugaros skausmais kreipėsi į gydytojus ar kineziterapeutus (Gunzburg et al., 1999).\nAnatomiškai terminas „nugaros skausmai“ yra susijęs su juosmens–kryžmens dalimi. Dažniausiai nugaros skausmo vieta yra tarp juosmeninio ketvirto ir juosmeninio penkto slankstelių (L4–L5). Viena iš juosmeninės dalies skausmo priežasčių yra apatinės nugaros dalies segmentinis nestabilumas, kurio atsiradimą gali sukelti dauginių stuburo raumenų per mažas aktyvumas (McGill, 2002).\nDarbo tikslas yra nustatyti paauglių netaisyklingos laikysenos, apatinės nugaros dalies skausmų ir dauginio stuburo raumens skerspjūvio ploto sąsają. Tikslui pasiekti buvo iškelti uždaviniai: įvertinti sportuojančių ir nesportuojančių paauglių laikyseną, įvertinti sportuojančių ir nesportuojančių paauglių nugaros skausmą, nustatyti besiskundžiančių ir nesiskundžiančių... [toliau žr. visą tekstą]
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.069 | 0.013 |
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".