Examining Attitudes Toward Body Checking, Levels of Emotional Empathy, and Levels of Aggression in Body Checking and Non-Body Checking Youth Hockey Leagues
Notice bibliographique
Résumé
OBJECTIVES: To determine if attitudes associated with body checking, emotional empathy, and aggression differ between players in body checking and non-body checking hockey leagues and to determine the influence of these attitudes on injury rates. DESIGN: Prospective cohort. SETTING: Participants were randomly recruited by team from the Calgary Minor Hockey Association at the beginning of the 2006-2007 season. PARTICIPANTS: There were 283 participants from Pee Wee (aged 11-12 years), Bantam (aged 13-14 years), and Midget (aged 15-16 years) teams. Of 13 teams from the body checking league, 138 players participated, and of 24 teams in the non-body checking league, 145 players participated. ASSESSMENT OF RISK FACTORS: Participants completed 4 self-report questionnaires: (1) Medical Questionnaire, (2) Body Checking Questionnaire, (3) Empathy Index for Children and Adolescents, and (4) Buss-Perry Aggression Questionnaire. MAIN OUTCOME MEASURES: Participants were followed through the season for injury reports. The injury definition included any hockey injury resulting in medical attention, the inability to complete a hockey session, and/or missing a subsequent hockey session. RESULTS: Body checking players reported more positive attitudes toward body checking (35.59; 95% confidence interval [CI]: 34.52-36.65) than non-body checking players (22.43; 95% CI, 21.38-23.49; t = -17.34; P < 0.00005). There was no significant difference in the empathy scores between cohorts (t = 1.51, P = 0.13). The mean aggression score for the body checking players (76.22; 95% CI, 73.18-79.25) was significantly higher than the mean for the non-body checking players (70.57; 95% CI, 67.35-73.80; t = -2.52; P = 0.013). CONCLUSIONS: Body checking seems to influence attitudes toward body checking and aggression, but attitudes toward body checking, empathy, and aggression did not influence injury rates.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».