Sociodemographic Predictors of Sport Injury in Adolescents
Notice bibliographique
Résumé
OBJECTIVE: To examine sociodemographic risk factors for sport injury in adolescents. METHODS: This is a cross-sectional survey design in which a random sample of high school students (ages 14-19) completed an in-class survey (N = 2721). Students were asked questions regarding sociodemographic factors, sport participation, and sport injury in the past year. RESULTS: The incidence proportion of self-reported and medically treated sports injury, adjusting for the clustering effect of school, was 67.5 (95% CI; 64.2-71.1) and 43.2 (95% CI; 40.4-46.3) per 100 adolescents per year, respectively. Students from small towns had a lower risk of injury than those in the larger urban center (ORadjusted = 0.76, 95% CI 0.63-0.92). Non-Caucasian students had a lower risk of injury than did Caucasian students (ORadjusted = 0.63 (95% CI 0.5-0.79) for all sport injury and 0.57 (95% CI 0.47 - 0.7) for medically treated sport injury. Students with BMI in the 50th-90th percentiles had the greatest risk of sport injury. The risk of injury increased with weekly hours of participation. CONCLUSIONS: Location of residence, weekly exposure (participation hours), ethnicity, and BMI were simultaneous predictors of sport injuries in adolescents.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».