Comprehensive analysis of ‘knockouts’ in Mixed Martial Arts (MMA)
Notice bibliographique
Résumé
Objective To quantify and identify potential risk factors for knockouts (KOs) and technical KOs (TKOs) in Mixed Martial Arts fighters. Setting Ultimate Fighting Championship (UFC). Design Retrospective. Fight card and fighter data was collected from all numbered UFC events over a 4-year period ending in 2009. Publicly available databases and digital video images were used to retrieve all pertinent information. Outcome Measures Event characteristics(eg, location, date, etc),fighter demographics(eg, age, nationality, time since last match),match characteristics(eg, match significance, rounds fought), and injury mechanism. Results A total of 503 matches were reviewed of which 36% ended in either KO (58; 12%; 57.7 per 1000 AE) or TKO (119; 24%; 118.4 per 1000 AE). The prevalence of KOs was highest in fighters between ages 36 and 40 (20.6%). The mechanism of contact resulting in a KO was predominately a direct blow to the head by a fist. 20% of all TKOs occurred in the heavyweight class. 33.9% of title matches result in TKOs and one in five of all KOs occurred during the first minute of a round. Conclusion Most often the mechanism of contact resulting in a KO was direct blow to the head. We have identified factors which were associated with a higher incidence of KO or TKO including age, weight, fight significance, time within the round, and time since last fight. Acknowledgements The Canadian Institutes of Health Research (CIHR) Strategic Team in Applied Injury Research funded this research. Competing interests None.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».