MétaCan
Menu
Retour à la cohorte
Enregistrement W2078844273 · doi:10.1080/02640410500432490

When “where” is more important than “when”: Birthplace and birthdate effects on the achievement of sporting expertise

2006· article· en· W2078844273 sur OpenAlexaffabout
Jean Côté, Dany J. MacDonald, Joseph Baker, Bruce Abernethy

Notice bibliographique

RevueJournal of Sports Sciences · 2006
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSports Analytics and Performance
Établissements canadiensYork UniversityQueen's University
Organismes subventionnairesnon disponible
Mots-clésPsychologyBiologyCommunication

Résumé

récupéré en direct d'OpenAlex

In this study, we assessed whether contextual factors related to where or when an athlete is born influence their likelihood of playing professional sport. The birthplace and birth month of all American players in the National Hockey League, National Basketball Association, Major League Baseball, and Professional Golfer's Association, and all Canadian players in the National Hockey League were collected from official websites. Monte Carlo simulations were used to verify if the birthplace of these professional athletes deviated in any systematic way from the official census population distribution, and chi-square analyses were conducted to determine whether the players' birth months were evenly distributed throughout the year. Results showed a birthplace bias towards smaller cities, with professional athletes being over-represented in cities of less than 500,000 and under-represented in cities of 500,000 and over. A birth month/relative age effect (in the form of a distinct bias towards elite athletes being relatively older than their peers) was found for hockey and baseball but not for basketball and golf. Comparative analyses suggested that contextual factors associated with place of birth contribute more influentially to the achievement of an elite level of sport performance than does relative age and that these factors are essentially independent in their influences on expertise development.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,223
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations352
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Sports SciencesMême sujetSports Analytics and PerformanceTravaux en français237 207