MétaCan
Menu
Retour à la cohorte
Enregistrement W3199119106 · doi:10.1371/journal.pone.0257767

Modelling the dynamics of change in the technical skills of young basketball players: The INEX study

2021· article· en· W3199119106 sur OpenAlexaff
Eduardo Guimarães, Adam Baxter‐Jones, Andrew Williams, Fernando Horta Tavares, Manuel António Janeira, José Maia

Notice bibliographique

RevuePLoS ONE · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesFundação para a Ciência e a TecnologiaInstituto Português do Desporto e Juventude, I.P.Comité Olímpico de Portugal
Mots-clésBasketballAnthropometrySprintClubPsychologyCoachingMultilevel modelMaturity (psychological)MedicinePhysical therapyMathematicsDevelopmental psychologyStatisticsGeography

Résumé

récupéré en direct d'OpenAlex

Although technical skills are a prerequisite for success in basketball, little is known about how they develop over time. In this study, we model the trajectories of technical skill development in young basketball players and investigate the effects of training experience, training volume, body composition, maturity status, physical performance, and club characteristics on skill development. A total of 264 male basketballers from five age-cohorts (11 to 15 years of age) were followed consecutively over three years using a mixed-longitudinal design. Technical skills, training experience and volume, basic anthropometrics, body composition, biological maturation and physical performance were assessed bi-annually. A multilevel hierarchical linear model was used for trajectory analysis. Non-linear trends (p < 0.01) were observed in speed shot shooting, control dribble, defensive movement, slalom sprint, and slalom dribble. Being more experienced and physically fitter had a significant (p < 0.05) positive effect on technical skill development; greater fat-free mass negatively affected skills demanding quick running and rapid changes of direction with or without the ball (p < 0.05). Training volume and biological age did not explain differences in technical skill development (p > 0.05). Moreover, belonging to different clubs had no significant influence on the technical skills trajectories of players. Our findings highlight the important role that individual differences play, over and beyond club structure, in developing skills. Findings improve our understanding on how technical skills develop during adolescence through training, growth, and biological maturation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,091

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,119
Tête enseignante GPT0,296
Écart entre enseignants0,177 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetSports Performance and TrainingTravaux en français237 207