Managing the health of the eSport athlete: an integrated health management model
Notice bibliographique
Résumé
OBJECTIVES: eSport is a form of electronic gaming, also known as professional or competitive video gaming, and is growing at a rapid pace worldwide. Over 50 US colleges have established varsity gaming teams over the past three years; some colleges offer eSport scholarships as they do for traditional sports. There is little objective research on the health habits of these players who are often placed under the direction of the athletics department on college campuses, and there is currently no health management model on how to treat these new athletes. METHODS: Anonymous electronic surveys were sent to 65 collegiate eSport players from nine universities across the USA and Canada inquiring about gaming and lifestyle habits, and musculoskeletal complaints due to eSport competition. RESULTS: Players practiced between 3 and 10 hours per day. The most frequently reported complaint was eye fatigue (56%), followed by neck and back pain (42%). eSport athletes reported wrist pain (36%) and hand pain (32%). Forty per cent of participants do not participate in any form of physical exercise. Among the players surveyed, only 2% had sought medical attention. CONCLUSION: eSport players, just like athletes in traditional sports, are susceptible to overuse injuries. The most common complaint was eye fatigue, followed by neck and back pain. This study shows eSport athletes are also prone to wrist and hand pain. This paper proposes a health management model that offers a comprehensive medical team approach to prevent and treat eSport athletes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».