The Prevention of Sport Injury: An Analysis of 12 000 Published Manuscripts
Notice bibliographique
Résumé
OBJECTIVE: To identify the nature and extent of research in sport injury prevention with respect to 3 main categories: (1) training, (2) equipment, and (3) rules and regulations. DATA SOURCES: We searched PubMed, CINAHL, Web of Science, Embase, and SPORTDiscus to retrieve all sports injury prevention publications. Articles were categorized according to the translating research into injury prevention practice model. RESULTS: We retrieved 11 859 articles published since 1938. Fifty-six percent (n = 6641) of publications were nonresearch (review articles and editorials). Publications documenting incidence (n = 1354) and etiology (n = 2558) were the most common original research articles (33% of total). Articles reporting preventive measures (n = 708) and efficacy (n = 460) were less common (10% of the total), and those investigating implementation (n = 162) and effectiveness (n = 32) were rare (1% of total). Six hundred seventy-seven studies focused on equipment and devices to protect against injury, whereas 551 investigated various forms of physical training related to injury prevention. Surprisingly, publications studying changes in rules and regulations aimed at increasing safety and reducing injuries were rare (<1%; n = 63) with a peak of only 20 articles over the most recent 5-year period and an average of 10 articles over the preceding 5-year blocks of time. CONCLUSIONS: Only 492 of 11 859 publications actually assessed the effectiveness of sports injury prevention interventions or their implementation. Research in the area of regulatory change is underrepresented and might represent one of the greatest opportunities to prevent injury.
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 | 0,036 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,109 | 0,087 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».