Performance differences between winning and losing basketball teams during close, balanced and unbalanced quarters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Previous studies in basketball performance have tended to assess differences between winners and losers of games. This methodology does not consider the fluctuating nature of scoring within games. Consequently winning and losing performance for each quarter of 26 games of the Hungarian basketball league in 2007/08 were compared with the difference in points scored used as an independent variable with three levels (identified through cluster analysis as close (1 to 5 points), balanced (6 to 11 points) and unbalanced periods (12 to 22 points)). Wilcoxon signed ranks tests identified significant differences between winning and losing quarter performance for 20 performance indicators when all quarters were analysed (n = 100) in comparison to just 5 for close quarters only (n = 42). The five performance indicators (number of successful free throws, number of defensive rebounds, total amount of rebounds and rebounding percentage in offence and defence) suggest that mainly the success in rebounding might be the critical factor that determines winning and losing in these close situations. Kruskal Wallis H tests and Mann Whitney U post-hoc tests revealed differences between winning performances from close, balanced and unbalanced quarters for the 3 point performance (number of successful 3 point shots, number of 3 point attempts and 3 point shooting performance), the number of assist passes and turnovers; these findings could be explained by the significantly different features of defensive resistance during different types of periods.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle