Concussion beliefs in varsity athletes: Identifying the good, the bad and the ugly
Notice bibliographique
Résumé
Objective Identify and describe attitudes and intentions towards personal concussion risk and protective behaviours among varsity athletes. Determine subgroups of athletes characterized by problematic intentions towards concussion prevention and management behaviours. Design Cross-sectional survey. Main outcome measures Varsity athletes ( N = 175; 60% male; 55.4% contact athletes; 56.6% history of concussion) completed a survey examining attitudes and intentions towards personal risk and concussion-management behaviours. Cluster and discriminant analyses were used to identify athlete risk response subgroups on intention items. The clusters were examined for differences in attitudes towards concussion prevention behaviours, demographics and concussion exposure. Results A substantially problematic subgroup of athletes (28% of the sample) reported low intent to engage in post concussion management practices or primary prevention behaviours. These individuals reported high concussion-risk acceptance and very low belief in the efficacy of concussion-management behaviours. They were also more likely to have sustained a concussion. Two other clusters demonstrated more acceptable behavioural intentions towards concussion prevention and management, with one holding model attitudes and intentions. Conclusions Varsity athletes exhibit one of three different patterns of intentions and attitudes towards concussion prevention and management behaviours. Athletes in one of these groups are at much greater risk of concussion injury and poorly follow recommended treatments. Intervention programmes need to target and aim to change these problematic intentions and attitudes to improve the effectiveness of concussion prevention and injury management.
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 | 0,005 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».