Nationwide sports injury prevention strategies: A scoping review
Notice bibliographique
Résumé
National strategies to prevent sports injuries can potentially improve health outcomes at a population level and reduce medical costs. To date, a compilation of the strategies that countries have attempted, and their effectiveness, does not exist. This scoping review sets out to: identify nationwide attempts at implementing sports injury prevention strategies; examine the impact of these strategies; and map them onto the Translating Research into Injury Prevention Practice (TRIPP) framework. Using Levac's scoping review method, we: (a) identified the research questions, (b) identified relevant studies, (c) identified the study selection criteria, (d) charted the data, and (e) reported the results. A search of MEDLINE, Scopus, SPORTDiscus, CINAHL, and Web of Science databases for articles published pre-June 2019 was conducted. We identified 1794 studies and included 33 studies (of 24 strategies). The USA (n = 7), New Zealand (n = 4), Canada (n = 3), the Netherlands (n = 3), Switzerland (n = 2), Belgium (n = 1), France (n = 1), Ireland (n = 1), South Africa (n = 1), and Sweden (n = 1) have implemented nationwide sports injury prevention strategies with 29 (88%) of the included studies demonstrating positive results. Mapping the strategies onto the TRIPP framework highlighted that only four (17%) of the 24 included strategies reported on the implementation context (TRIPP Stage 5), suggesting an important reporting gap. Nationwide sports injury prevention efforts are complex, requiring a multidimensional approach. Future research should report intervention implementation data; examine the implementation context early in the research process to increase the likelihood of real-world implementation success; and could benefit from incorporating qualitative or mixed research methods.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».