The “Football is Medicine” platform—scientific evidence, large‐scale implementation of evidence‐based concepts and future perspectives
Notice bibliographique
Résumé
The idea that football can be used as therapy and as a high-intensity and literally breath-taking training regime goes back centuries. To take one prominent example, the French philosopher Voltaire describes in the Book of Fate (1747), how a patient is cured by playing with a sacred football: “… full-blown and carefully covered with the softest Leather. You must kick this Bladder, Sir, once a Day about your Hall for a whole Hour together, with all the Vigour and Activity you possibly can”, “Ogul, upon making the first Experiment, was ready to expire for want of Breath”, “In short, our Doctor in about 8 days Time, performed an absolute Cure. His Patient was as brisk, active and gay, as One in the Bloom of his Youth.”1 Today, Voltaire and his main character, philosopher Zadig, have been proved right: Football is indeed a breath-taking activity and it can be used as therapy. Albeit today's recommendations suggest a lower training frequency, longer training periods and encourage group-based training, and say that any football can be applied.
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 | 0,302 | 0,299 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,004 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,025 | 0,030 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,020 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».