How do training and competition workloads relate to injury? The workload—injury aetiology model
Notice bibliographique
Résumé
Injury aetiology models that have evolved over the previous two decades highlight a number of factors which contribute to the causal mechanisms for athletic injuries. These models highlight the pathway to injury, including (1) internal risk factors (eg, age, neuromuscular control) which predispose athletes to injury, (2) exposure to external risk factors (eg, playing surface, equipment), and finally (3) an inciting event, wherein biomechanical breakdown and injury occurs. The most recent aetiological model proposed in 2007 was the first to detail the dynamic nature of injury risk, whereby participation may or may not result in injury, and participation itself alters injury risk through adaptation. However, although training and competition workloads are strongly associated with injury, existing aetiology models neither include them nor provide an explanation for how workloads alter injury risk. Therefore, we propose an updated injury aetiology model which includes the effects of workloads. Within this model, internal risk factors are differentiated into modifiable and non-modifiable factors, and workloads contribute to injury in three ways: (1) exposure to external risk factors and potential inciting events, (2) fatigue, or negative physiological effects, and (3) fitness, or positive physiological adaptations. Exposure is determined solely by total load, while positive and negative adaptations are controlled both by total workloads, as well as changes in load (eg, the acute:chronic workload ratio). Finally, we describe how this model explains the load-injury relationships for total workloads, acute:chronic workload ratios and the training load-injury paradox.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».