MétaCan
Menu
← Retour à la cohorte
Enregistrement W2469987328 · doi:10.1249/01.mss.0000486179.48706.6b

Relationship of Physiological Fitness Tests and Early Career Hockey Success in Elite Ice Hockey Players

2016· article· en· W2469987328 sur OpenAlexaff
Joshua T. Slysz, Veronica Jamnik, Norman Gledhill, Jamie F. Burr

Notice bibliographique

RevueMedicine & Science in Sports & Exercise · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésLeagueIce hockeyPsychologyEliteTest (biology)StatisticsIdentification (biology)JumpBasketballRegression analysisApplied psychologyMathematicsPhysical medicine and rehabilitationMedicineGeographyPolitical science

Résumé

récupéré en direct d'OpenAlex

Talent identification in professional sport is an important component for building a successful team. In an effort to improve athlete identification, physiological fitness assessments are included in a number of leagues, and attempts have been made to quantify the predictive ability of individual tests. In the National Hockey League (NHL), physiological fitness measures have been shown to correlate with draft selection order, but less subjective rankings of success have previously not been considered. PURPOSE: To determine the predictive ability of draft-age physiological fitness test outcomes to forecast the cumulative total games played within the player’s first 3 consecutive NHL seasons. Games played are an accepted indicator of success at the professional level. METHODS: Multiple linear regression modeling was used with NHL Combine data (1998-2007) for a total of 451 players, who played ≥1 game per year during their first 3 NHL seasons. Separate models were developed for forwards and defense, given the differing physiological profiles and positional demands. RESULTS: For defensemen, the variables of vertical jump (VJ), push-ups, bench press, and body index were included in the final model (p=0.001, r2=0.15). The regression equation to predict number of games played by defensemen over 3yr was: total games= 177 -0.979 (VJ) + 4.068(max push up) -3.87(max bench press) +9.5 (Body index). The only predictive variable for forward players was push up repetitions (p=0.01, r2=0.04); total games =193.1 -2.3(max push-up). CONCLUSION: NHL Combine data was useful for explaining approximately 4% (forward) and 15% (defense) of the variance in games played amongst players who played ≥3yr in the league, suggesting a modest predictive ability. Upper body strength proved an important predictor for both models, while leg power was identified as a predictor only in defensemen. Homogeneity in performance amongst such elite athletes may explain the absence of more traditional measures of physiological fitness (VO2max, anaerobic power) within the predictive models, as a high level of these physiological traits is obligatory for all players who remained in the league at least three years.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,306
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedicine & Science in Sports & Exercise→Même sujetSports Performance and Training→Travaux en français237 207→