The influence of birth quartile, maturation, anthropometry and physical performances on player retention: Observations from an elite football academy
Notice bibliographique
Résumé
Understanding the factors that influence player retention within elite youth football can be used to enhance current practices. This study investigated an English Category 1 academy to determine if birth quartile, somatic maturity, anthropometric and physical performance characteristics are associated with player retention across the developmental pathway. Birth dates of 355 elite players from Under 11 (U11) to U21 groups were categorised into birth quartiles, and logistic regression (odds ratio) analysis was used to determine the differences in retention. Multilevel modelling compared somatic maturity, anthropometry, countermovement jump, sprint time (10 and 30 m), agility T-test and Yo-Yo Intermittent Recovery Level 1 or 2 performance between retained and dropout players. Logistic regression (odds ratio) analysis revealed no significant differences between birth quartiles for the likelihood of being retained across age groups. Multilevel modelling revealed that retained players were typically older, advanced in maturity and superior in body size and physical performances compared to dropouts, with small to medium effect sizes typically observed. This study indicates that within a highly selective cohort of young football players, somatic maturity, anthropometric and physical performance characteristics, but not birth quartile, distinguish individuals that are subsequently retained or dropout in an age group-dependent manner. Youth football organisations should seek to implement multidisciplinary and dynamic talent selection and retention strategies to prevent inappropriate discrimination and loss of talented young players.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».