The developmental pathways of major league baseball players and their influence on career performance
Notice bibliographique
Résumé
Performance and developmental data of 2,291 American-born Major League Baseball (MLB) players who debuted between 1990 and 2010 were amassed using baseball-reference.com. Two performance indicators: career games played and wins above replacement (WAR; player's total contributions in wins) were coupled with pre-draft data to determine the influence of developmental pathways on career success. Non-linearity of athlete development (Gulbin et al., 2013) was prevalent as 17 qualitatively different pathways to MLB were identified through draft information. When distilled, analyses reveal 63% of the athletes started their career directly after attending a four-year institution (23% high school, 13% junior college) and 79% did not sign or were not selected as high school draft picks. There were statistically significant differences in career MLB (F (2, 2,288) = 3.63, p < .05) and Minor League Baseball (MiLB) (F (2, 2,228) = 9.07, p < .001) games played with athletes drafted directly from high school averaging 48 to 50 more MLB and 66 to 77 MiLB games than those drafted from a junior college or four-year institution. No statistically significant differences between career WAR metrics were observed, but the difficulty of obtaining career success via this metric was noted as only 48.4% of athletes in this sample achieved a positive WAR. The collection of milestone data and additional performance indicators is needed to understand the variation within and between pathways, which may have important implications for improving talent identification accuracy (Koz et al., 2012) and developmental programs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».