COVID-19 Return to Sport: NFL Injury Prevalence Analysis
Notice bibliographique
Résumé
Abstract 1. Purpose During the COVID 19 Pandemic, the NFL teams have been reported to have limited training sections in preparation for their games. This study compares the prevalence of injury during the 2018, 2019, and 2020 NFL seasons, with the aim to determine the potential causes of the differences in prevalence. 2. Method Official injury reports from each team were counted during the 17-week regular season of each year (2018, 2019, and 2020). The data was analyzed using an unpaired t-test to compare the injury prevalence between each of the three seasons. 3. Results The 2018 season produced a total of 1,561 injuries and a mean of 48.78 injuries per team. The 2019 season produced a total of 1,897 injuries and mean of 59.28 injuries per team, while the 2020 season produced a total of 2, 484 injuries and mean of 77.63 injuries per team. An unpaired t-test was performed using the data to compare the mean number of injuries per team of each of the seasons. Comparison of the 2020 season against the 2019 season showed a statistically significant difference (P=.0003). Comparison of the 2020 season to the 2018 season found a statistically significant difference (P=.0001). Comparison between the 2019 and the 2018 seasons found a statistically significant difference (P=.0314). Conclusion Although the 2019 and 2018 season showed a statistically significant difference (P=0.0314), this difference is not as astronomical when we compare the 2020 seasons vs 2019 and 2018 seasons (P=0.0003 and P=0.0001, respectively) ( Figure 2 ). The astronomical increase in injury prevalence in the 2020 season over the previous years does raise the possibility that there was reduced physiological adaption to stress, due to the limited amount of training embarked on. The limited amount of training was the result of closure of practice facilities during the COVID-19 pandemic. More physiological investigation involving players must be done at the professional and amateur levels to determine if there is a lack of physiological adaptation due to limited use of practice and training facilities during the COVID-19 pandemic.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».