A - 29 Language Differences in Neurocognitive Scores and Symptom Report in Professional Football Players
Notice bibliographique
Résumé
Abstract Objective The purpose of this study was to investigate the role of language on neurocognitive test outcomes and concussion symptom ratings in professional football players. Methods Design/Setting - A retrospective cross-section analysis of 1546 male Canadian Football League (CFL) athletes was conducted using baseline data collected from the Immediate Post-Concussion Assessment and Cognitive Test (ImPACT) across the 2016–18 competitive seasons. Independent Variables - Participants (1546) were divided into three language categories, native English-speaking, bilingual – whose first language was English, and English as a second language (ESL). Years of education, age, and concussion history were entered as co-variates. Outcome Measure -The 5 Composite scores from ImPACT and the 22 symptoms from the post-concussion symptom scale (PCSS). Results Results of the MANCOVA showed no significant differences between language groups on any of the five ImPACT composite scores F(10, 3072) = 1.09, p = 0.36. The Kruskall-Wallis test revealed significant differences were found in three symptoms including dizziness [X2(2, 1486) = 32.85, p < 0.001)], sadness [X2(2, 1486) = 6.505, p = 0.04], and concentration [X2(2, 1486) = 11.01, p = 0.004)] with the bilingual and non-native English speakers having higher scores. Conclusions This study suggests that cultural and linguistic differences should be considered when administering CNTs. While differences in cognitive outcomes have not been consistently found across studies, differences in baseline symptom reports have been consistently demonstrated. Information pertaining to a patient’s level of acculturation and language proficiency is important for examiners when working with diverse populations. Continuing to develop language-specific normative databases is encouraged.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,005 | 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 ».