Understanding and Preventing Yoga Injuries
Notice bibliographique
Résumé
To obtain an initial estimate of the extent, nature, and causes of Yoga-related injuries, we invited 33,000 Yoga teachers, Yoga therapists, and other clinicians to participate in a 22-question survey. The survey was conducted with the cooperation of the International Association of Yoga Therapists (IAYT), Yoga Alliance, and Yoga Spirit. 1,336 responses came from 34 countries between May and October of 2007. A majority of participants believed that the most common and the most severe injuries occurred in the neck, the lower back, the shoulder and wrists, and the knee. Poor technique or alignment, previous injury, excess effort, and improper or inadequate instruction were the most commonly cited causes of Yoga injuries. Individual asanas were linked with particular injuries in a highly specific way. For example, neck injuries were attributed to sirsasana (headstand) and sarvangasana (shoulderstand); lower-back injuries were associated with forward bends, twists, and backbends; shoulder and wrist injuries were linked to adho mukha svanasana (downward-facing dog) and variations of plank pose (e.g., chaturanga dandasana, four-limbed staff pose and vasisthasana, side plank pose); and the knee was believed to be most frequently injured in virabhadrasana (warrior pose) I and II, virasana (hero's pose,) eka pada rajakapotasana (one-legged king pigeon pose) and padmasana (lotus pose).
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».