An Analysis of Playoff Performance Declines in Major League Baseball
Notice bibliographique
Résumé
ABSTRACT: Conforti, CM, HBA, Crotin, RL, RSCC, C, and Oseguera, J. An analysis of playoff performance declines in Major League Baseball. J Strength Cond Res 35(12S): S36-S41, 2021-At present, it is unknown how athletes of varying talent in Major League Baseball (MLB) perform in the postseason as compared with the regular season. Anecdotal evidence from the authors' previous work experience in MLB established the hypothesis that players of higher caliber were expected to perform worse in the playoffs compared with lesser talented cohorts. Publicly available data on 1477 MLB players from 1994 to 2019 were used to separate athletes into excellent, above average, average, and below average pitching, hitting, and defensive groups with respect to Fielding Independent Pitching (FIP), Weighted Runs Created Plus (wRC+), and Errors per Inning Out (EpIO), respectively. Mixed-model analyses of variance with Tukey's Honest Significant Difference post hoc testing was used to determine whether the change in performance was significant within groups at an a priori alpha level of p < 0.05. Within-subject effects' tests were statistically significant within regular season talent groups for FIP, wRC+, and EpIO in comparison with their playoff performance (p < 0.001). Excellent performers suffered most with more than half depreciating in playoff hitting (58%) and pitching performance (52%), yet nearly 80% of 908 fielders retained defensive ability, which was unexpected. Results indicate that teams should consider providing greater mental performance support, implement periodization strategies to taper or lower training workloads, offer team support networks, and anxiety desensitization for excellent MLB performers in approach of the playoffs, as certain aspects of pitching and hitting significantly suffer.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».