Positional Differences in Pre-Season Scrimmage Performance of Division I Collegiate Football Players
Notice bibliographique
Résumé
This study aimed to describe the physical demands of American football players using novel performance analysis techniques. Heart rate (HR) and accelerometer-based activity levels were observed across two pre-season scrimmages in 23 Division I collegiate football players (age: 19 ± 1 y, height: 1.90 ± 0.06 m, weight: 116.2 ± 19.4 kg). Data were analyzed using a MATLAB program and inter-rater reproducibility assessed using inter-class correlations (ICC). Players were analyzed by side (offense/defense) and position (skill/non-skill). Performance variables assessed in bursts of activity included burst duration, HRmean and HRmax (bpm), and mean activity (vector magnitude units [vmu]). Exercise intensity was categorized as time spent in % HRmax in 5% increments. The burst duration (8.1±3.9 min, ICC = 0.72), HRmean (157 ± 12 bpm, ICC = 0.96) and mean activity (0.30 ± 0.05 vmu, ICC = 0.86) were reproducible. HRmean (p = 0.05) and HRmax (p = 0.001) were greater on defense. Offense spent more time at 65–70% HRmax (p = 0.01), 70–75% HRmax (p = 0.02) while defense spent more time 90–95% HRmax and ≥95% HRmax (p = 0.03). HRmean (p = 0.70) and HRpeak (p = 0.80) were not different between positions across both sides. Skilled players demonstrated greater mean activity (p = 0.02). The sport-specific analysis described HR and activity level in a reproducible manner. Automated methods of assessing HR may be useful in training and game time performance but ultimately provides support to coaching decision making.
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 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».