Exploring variations in community size effects in Canadian summer and winter olympians
Notice bibliographique
Résumé
Research suggests Olympic athletes are less likely to emerge from cities with very small and large populations and more likely to emerge from medium and medium-to-large cities (i.e., community size effects: Baker et al., 2009). However, recent observations suggest such effects can result from aggregating national data, which masks potential variation between provincial regions of Canada (Wattie et al., 2018). Therefore, we examined the community size data of summer (n = 489) and winter (n = 278) Canadian Olympians and Paralympians who debuted between 2010 and 2016. When grouped into population size categories, results revealed variations (min-max; mean) in the proportion of athletes' communities of origin, across provinces and summer (S) and winter (W) athletes: < 2,500 (S: 0-8%, x? = 4%; W: 0-22%, x? = 10%); 2,500 – 4,999 (S: 0-2%, x? = 1%; W: 0-25%, x? = 7%); 5,000 – 9,999 (S: 0-10%; x? = 3%; W: 0-25%, x? = 9%); 10,000 – 29,999 (S: 0-16%, x? = 6%; W: 0-20%, x? = 9%); 30,000 – 99,999 (S: 0-39%, x? = 15%; W: 0-45%, x? = 15%); 100,000 – 249,999 (S: 0-71%, x? = 14% W: 0-58%, x? = 16%); 250,000 – 499,999 (S: 0-43%, x? = 8%; W: 0-15%, x? = 2%); 500,000 – 999999 (S: 0-92%, x? = 46%; W: 0-72%, x? = 27%); ? 1,000,000 (S: 0-29%, x? = 3%; W: 0-28%, x? = 4%). These findings support previous concerns that community size effects may not be generalizable to all athlete populations and to different regions within a country.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».