An Uneven Playing Field: Athlete Injury, Illness, Load, and Daily Training Environment in the Year Before the FINA (Aquatics) World Championships, 2017
Notice bibliographique
Résumé
OBJECTIVE: To assess athlete's training environment and health problems before the FINA World Championships (WC) (2017) and to analyze the differences between the 6 disciplines, gender, and countries with different medal rankings during the championships. DESIGN: Retrospective anonymous questionnaire. SETTING: FINA WC 2017. PARTICIPANTS: Registered aquatic athletes (swimmers, divers, high divers, water polo players, artistic swimmers, open water swimmers). MAIN OUTCOME MEASURES: The outcome measures included the following: training and competition load, availability of support staff, performance of injury prevention exercises, and prevalence of health problems. The independent variables included gender, aquatic discipline, and country group based on medal ranking. RESULTS: In the 12 months preceding the Championships, 67% of the athletes reported physical complaints and 41% trained or competed with a diagnosed injury. Only half of the athletes reported that injury prevention exercises were always (29.9%) or often (23.4%) a regular part of their daily training. In the daily training environment, support staff (excluding coach) was not available or available only if the athlete pays in 28.4% (specialized trainer) to 58.9% (sport scientist) of cases. About one-quarter of the athletes rated the support offered by their National Team program as poor or very poor. There were discrepancies in training loads and support staff among the 6 aquatic disciplines. Availability of support staff, athlete's satisfaction with their training environment/support, and regular use of injury prevention exercises were higher in countries that ranked higher in the medal list. CONCLUSIONS: Injury prevention strategies should be promoted in aquatic sports, with prospective surveillance for the early identification of physical complaints. The facilitation of access to sport-specific experts could improve athlete's health and performance, especially in countries with low medal ranking.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».