What are the perceptions of runners and healthcare professionals on footwear and running injury risk?
Notice bibliographique
Résumé
OBJECTIVES: There is a gap in research exploring perceptions of runners and healthcare professionals (HCPs) about running footwear and injury risk. The objectives of this study were: (1) to document factors considered by runners when selecting footwear; (2) to compare perceptions on footwear and injury risk in runners and HCPs; and (3) to evaluate the perceived usefulness of an online educational module. METHODS: Using an online survey, we collected information on demographics and perceptions about footwear and injury risk. Runners reported their footwear selection strategy, and HCPs their typical recommendations. An evidence-based educational module was presented, and participants rated its usefulness. RESULTS: The survey was completed by 2442 participants, of which 1035 completed the optional postmodule questions. Runners reported relying mostly on comfort and advice from retailers when selecting shoes. Perceptions regarding the effects of specific footwear types (minimalist, maximalist), characteristics (softness, drop) and selection strategy (foot type, transition) on biomechanics and injury risk were different between HCPs and runners. Overall, runners perceived footwear as more important to prevent injury than did HCPs (7.6/10, 99% CI 7.4 to 7.7 vs 6.2/10, 99% CI 6.0 to 6.5; p<0.001). Both runners (8.1/10, 99% CI 7.9 to 8.3) and HCPs (8.7/10, 99% CI 8.6 to 8.9) found the educational module useful. A majority of respondents indicated the module changed their perceptions. CONCLUSION: Footwear is perceived as important in reducing running injury risk. This online module was deemed useful in educating about footwear evidence. Future studies should evaluate if changes in perceptions can translate to behaviour change and, ultimately, reduced injury risk.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».