Smartphone and Tablet Software Apps to Collect Data in Sport and Exercise Settings: Cross-sectional International Survey
Notice bibliographique
Résumé
BACKGROUND: Advances in smartphone technology have facilitated an increase in the number of commercially available smartphone and tablet apps that enable the collection of physiological and biomechanical variables typically monitored in sport and exercise settings. Currently, it is not fully understood whether individuals collect data using mobile devices and tablets, independent of additional hardware, in their practice. OBJECTIVE: This study aims to explore the use of smartphone and tablet software apps to collect data by individuals working in various sport and exercise settings, such as sports coaching, strength and conditioning, and personal training. METHODS: A total of 335 practitioners completed an electronic questionnaire that surveyed their current training practices, with a focus on 2 areas: type of data collection and perceptions of reliability and validity regarding app use. An 18-item questionnaire, using a 5-point Likert scale, evaluated the perception of app use. RESULTS: A total of 204 respondents reported using apps to directly collect data, with most of them (196/335, 58.5%) collecting biomechanical data, and 41.2% (138/335) respondents reported using at least one evidence-based app. A binomial general linear model determined that evidence accessibility (β=.35, 95% CI 0.04-0.67; P=.03) was significantly related to evidence-based app use. Age (β=-.03, 95% CI -0.06 to 0.00; P=.03) had a significant negative effect on evidence-based app use. CONCLUSIONS: This study demonstrates that practitioners show a greater preference for using smartphones and tablet devices to collect biomechanical data such as sprint velocity and jump performance variables. When it is easier to access information on the quality of apps, practitioners are more likely to use evidence-based apps. App developers should seek independent research to validate their apps. In addition, app developers should seek to provide clear signposting to the scientific support of their software in alternative ways.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».