Off-Ice Testing Predictive Capabilities of On-Ice Performance Attributes in Men’s Varsity Hockey Players
Notice bibliographique
Résumé
Ice hockey is a physically demanding contact sport that requires players to perform repeated bouts of high-energy output with shifts lasting from 30 to 80 seconds. Predicting on-ice performance during a game is difficult. Physical and anthropometric testing has been commonly used in hockey to predict and evaluate fitness attributes (i.e. strength, agility, flexibility), which the hockey community believes are advantageous to several sport-specific tasks in hockey, such as the player’s skating speed and balance. PURPOSE. To explore the relationship between NHL combine testing results and on-ice testing assessments among elite varsity hockey players. METHODS. Twenty-five Men’s Varsity Hockey players from McGill University (age: 22.8 ±1.43, height: 1.81 ±0.06, weight: 87.13, ±6.73, %BF: 16.21 ±4.03) participated in the study. Participants performed the 2015 standard NHL combine tests. On-ice testing was conducted using advanced timing equipment to control for errors. Tests completed by the players were the 30-m forward and backward sprints, transition agility test, weave agility test, and pro-agility test. Six NHL teams currently use this battery of on-ice tests, to replicate game like situations. RESULTS. See attached table for results. CONCLUSION. It can be concluded that most of the NHL combine tests were not correlated with the on-ice measures of performance obtained. Improving the sport-specific nature of dryland testing represents a priority for sport scientists working with elite hockey players.Table 1: Correlations of NHL 2015 combine tests to novel on-ice testing protocol.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».