Cannabis and mental health
Notice bibliographique
Résumé
<h3>Objectives</h3> To quantify acute injuries sustained during weightlifting that result in training restrictions and identify potential risk factors or preventative factors in Master athletes and to evaluate potentially complex interactions of age, sex, health-related and training-related predictors of injuries with machine learning (ML) algorithms. <h3>Methods</h3> A total of 976 Masters weightlifters from Australia, Canada, Europe and the USA, ages 35–88 (51.1% women), completed an online survey that included questions on weightlifting injuries, chronic diseases, sport history and training practices. Ensembles of ML algorithms were used to identify factors associated with acute weightlifting injuries and performance of the prediction models was evaluated. In addition, a subgroup of variables selected by six experts were entered into a logistic regression model to estimate the likelihood of an injury. <h3>Results</h3> The accuracy of ML models predicting injuries ranged from 0.727 to 0.876 for back, hips, knees and wrists, but were less accurate (0.644) for shoulder injuries. Male Master athletes had a higher prevalence of weightlifting injuries than female Master athletes, ranging from 12% to 42%. Chronic inflammation or osteoarthritis were common among both men and women. This was associated with an increase in acute injuries. <h3>Conclusions</h3> Training-specific variables, such as choices of training programmes or nutrition programmes, may aid in preventing acute injuries. ML models can identify potential risk factors or preventative measures for sport injuries.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».