Analgesics use in competitive triathletes: its relationship to doping and on predicting its usage
Notice bibliographique
Résumé
The two major objectives of this study were (i) to assess variables that predict the use of analgesics in competitive athletes and (ii) to test whether the use of analgesics is associated with the use of doping. A questionnaire primarily addressing the use of analgesics and doping was distributed among 2,997 triathletes. Binary logistic regression analysis was performed to predict the use of analgesics. Moreover, the randomised response technique (RRT) was used to estimate the prevalence of doping in order to assess whether users of analgesics have a higher potential risk for doping than non-users. Statistical power analyses were performed to determine sample size. The bootstrap method was used to assess the statistical significance of the prevalence difference for doping between users and non-users of analgesics. Four variables from a pool of 16 variables were identified that predict the use of analgesics. These were: "version of questionnaire (English)", "gender (female)", "behaviour in case of pain (continue training)", and "hours of training per week (>12 h/week)". The 12-month prevalence estimate for the use of doping substances (overall estimate 13.0%) was significantly higher in athletes that used analgesics (20.4%) than in those athletes who did not use analgesics (12.4%). The results of this study revealed that athletes who use analgesics prior to competition may be especially prone to using doping substances. The predictors of analgesic use found in the study may be of importance to prepare education material and prevention models against the misuse of drugs in athletes.
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 | 0,001 | 0,002 |
| 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) | 0,000 | 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 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 ».