P075 Travel or cheers? Examining the drivers and mechanisms of home court advantage in the 2020/2021 NBA regular season
Notice bibliographique
Résumé
Abstract Introduction Home court advantage (HCA) in the National Basketball Association (NBA) is well-documented, yet the co-occurring drivers responsible for this advantage have proven difficult to examine in isolation. The Coronavirus disease (COVID-19) pandemic resulted in the elimination of crowds in ~50% of games during the 2020/2021 NBA season, whereas travel remained unchanged. Using this ‘natural experiment’, we investigated the impact of crowds and travel-related sleep and circadian disruption on NBA HCA. Methods 1080 games from the 2020/2021 NBA regular season were analyzed using mixed models (fixed effects: crowds, travel; random effects: team, opponent). Results In games with crowds, home teams won 58.65% of the time and outrebounded (M=2.28) and outscored (M=2.18) their opponents. In games without crowds, home teams won significantly less (50.60%, p = .01) and were outrebounded (M=-0.41, p < .001) and outscored (M=-0.13, p < .05) by their opponents. Further, the increase in home rebound margin fully mediated the relationship between crowds and home points margin (p < .001). No significant sleep or circadian effects were observed. Discussion Taken together, these results suggest that HCA in the 2020/2021 NBA season was predominately driven by the presence of crowds and their influence on the effort exerted by the home team to rebound the ball. Moreover, we speculate that the strict NBA COVID-19 policies may have mitigated the travel-related sleep and circadian effects on the road team. These findings are of considerable significance to a domain wherein marginal gains can have immense competitive, financial, and even historical consequences.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».