Examining the effect of the injury definition on risk factor analysis in circus artists
Notice bibliographique
Résumé
A secondary data analysis of a prospective cohort study was conducted to explore how different definitions of injury affect the results of risk factor analyses. Modern circus artists (n=1281) were followed for 828,547 performances over a period of 49 months (2004-2008). A univariate risk factor analysis (age, sex, nationality, artist role) estimating incidence rate ratios (IRR) with 95% confidence intervals (95% CI) was conducted using three injury definitions: (1) medical attention injuries, (2) time-loss injuries resulting in ≥1 missed performances (TL-1) and (3) time-loss injuries resulting in >15 missed performances (TL-15). Results of the risk factor analysis were dependent on the injury definition. Sex (females to male; IRR=1.13, 95% CI; 1.02-1.25) and age over 30 (<20 years to >30 years; IRR=1.37, 95% CI; 1.07-1.79) were risk factors for medical attention injuries only. Risk of injury for Europeans compared with North Americans was higher for TL-1 and TL-15 injuries compared with medical attention injuries. Finally, non-sudden load artists (low-impact acts) were less likely than sudden load artists (high-impact acts) to have TL-1 injuries, but the risk of medical attention injuries was similar. The choice of injury definition can have effects on the magnitude and direction of risk factor analyses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».