Statistical Analysis on Technical Index of Women's Basketball Teams in the 30th Olympic Games Based on RSR
Notice bibliographique
Résumé
By using the method of Rank-sum ratio,this paper makes quantitative evaluation about technical Index of women's basketball teams in the 30th Olympic Games.The results show that RSR value of technical index of the United States,France and Australia is 1,0.83 and 0.84,respectively.They belong to Grade A;RSR value of Turkey and the Czech Republic is 0.71 and 0.75,respectively.They belong to Grade B;RSR value of China,Brazil,the United Kingdom is ranging from 0.40 to 0.59,they belong to Grade C;RSR value of Croatia is 0.29,it belongs to Grade D;RSR value of Canada and Angola is 0.17 and 0.08,respectively.They belong to Grade E;The Correlation coefficient between Olympics ranks and RSR value is 0.895(P0.01),it means they are both significantly associated;Compared with the top 8 teams of the Olympic Games,except two-point field goal percentage and assists,Chinese women's basketball team lags behind other teams in other 7 offensive index,it has significant difference(P0.05) in offensive rebound and it has significant difference(P0.01) in manufacturing foul.Chinese women's basketball team lags behind other teams in other 4 offensive index except foul,it has significant difference(P0.01) in blocked shots;Compared with the top 4 teams of the Olympic Games,except assists,Chinese women's basketball team lags behind other teams in other 8 offensive index,it has significant difference(P0.05) in offensive rebound and it has significant difference(P0.01) in manufacturing foul.Chinese women's basketball team lags behind other teams in other 4 offensive index except foul,it has significant difference(P0.01) in blocked shots.Finally,this paper put forwards some suggestions for Chinese women's basketball team.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».