Seven sins when interpreting statistics in sports injury science
Notice bibliographique
Résumé
The British Journal of Sports Medicine has introduced a series of editorials and infographics that explain the value of using appropriate methodology in sports injury research.1–6 Indeed, proper methodology is necessary for understanding why sports injuries develop, how best to prevent them and which therapeutic interventions will be most effective. Without correctly applying and interpreting statistics, subjective intuitions could lead to incorrect conclusions. In this editorial, we present seven common ‘statistical sins’ made in research and discuss how to present research findings in such a way as to help athletes, coaches and clinicians avoid drawing flawed conclusions when attempting to interpret causality in sports injury research. The sins have been adapted from an article originally published in The Conversation .7 Did you know that NFL teams with an animal team logo (eg, Denver Broncos and Carolina Panthers) have a dramatic 15% reduced risk of concussions compared with NFL teams without animal logos (eg, Tennessee Titans and Pittsburgh Steelers)?8 If one looks hard enough, apparently interesting associations and spurious correlations between phenomena can be found almost everywhere. However, simply because two things happen to change in parallel, or follow a similar pattern, does not mean they are causally related. To avoid this sin, one must thoughtfully consider whether the association is likely to be causal or non-causal. Most sports injury studies simply examine non-causal associations, which are sometimes wrongly interpreted as being causal. Think of concussions and animal logos next time you read a sports injury article: are the reported relationships likely to be causally …
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 | 0,090 | 0,393 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,019 |
| Communication savante | 0,018 | 0,011 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,015 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».