Notice bibliographique
Résumé
Purpose: This study aimed to identify relative age effects of South Korea national male football teams that participated in 38 international competitions in age-specific categories from 2000 to 2018; U-16 (n=176), U-17 (n=82), U-19 (n=198), U-20 (n=147), and U-23 (n=166). Methods: Available information on birth-dates, heights, and body weights of South Korean elite male football players was collected from the official websites. Chi-square test was conducted and odds ratios were calculated with 95% confidence interval in order to examine differences of quarter distribution between expected and observed subgroups. Results: The birth distributions observed in each team were significantly different than those expected in general population of the same age (U-16: χ2=59.364, p＜0.05; U-17: χ2=36.829, p＜0.05; U-19: χ2=51.697, p＜0.05; U-20: χ2=39.531, p＜0.05) except U-23 (χ2=17.759, p=0.087). The magnitude of birth distribution was 3.2 times higher in the first quarter compared to that in the fourth quarter and was decreased in accordance with age. In accordance with age, the distribution of “competition age group” was significantly decreased in each team (U-16, 91%; U-17, 89%; U-19, 76%; U-20, 63%; U-23, 42%; p＜0.05) but that of “under-competition age group” was increased (U-16, 9%; U-17, 11%; U-19, 24%; U-20, 37%; U-23, 58%; p＜0.05). There is also significant difference in distribution between both “competition” and “under-competition age group” at the same tournament category (p＜0.05). Conclusion: Conclusively, these findings indicate that Korean players who are in the early stage of development have higher “relative age effects” than those in the late stage of development. This may implicate that it is necessary to develop strategies for relatively late-mature players who have potentials in terms of skills and intelligence of football.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 tête enseignante, 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 ».