Towards a more objective time standard in competitive rowing
Notice bibliographique
Résumé
Abstract Rowing needs a standardized Gold Medal Standard (GMS) to clearly compare performance across boat classes in competition. Here, we report a method to factor out environmental effects, developing a fairer GMS for individual rowing events. We used results from World Rowing Championships and Olympics Games (2005–2016) to calculate the difference between the fastest winning time of the day and other event winning times on the same day. From this, we calculated a prognostic GMS time for each event via repeated k-fold cross-validation linear regression. Then, we compared these values with the 10-year average winning time and the World Best Time (WBT). We repeated this process to develop prognostic podium standard (PS) times. The prognostic GMS times (RMSE = 9.47;R2= 0.875) were universally slower than the WBT (current GMS) by 6.2 s on average but faster than the 10-year average by 12.3 s. The prognostic PS times (RMSE = 10.5;R2= 897) were also slower than the WBT but faster than the 10-year average, by 12.2 and 6.3 s respectively. Our time-difference prediction model based on historical data generates non-outlier prognostic times. With the utilization of relative time difference, this approach promises a selection standard independent of environmental conditions, easily applicable across different sports.
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 | 0,014 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».