The Matthew Effect in Running: An Analysis of Elite Endurance Athletes Over 23 Years
Notice bibliographique
Résumé
Abstract Purpose The purpose of this study was to investigate the frequency of countries represented in the TOP20 long-distance elite runners ranking during 1997–2020, taking into account the countries’ Human Development Index (HDI), and to verify if the Matthew effect can be observed regarding countries’ representativeness in the raking alongside the years. Methods The sample comprised 1852 professional runner athletes, ranked in the Senior World TOP20 half-marathon (403 female and 487 male) and marathon (480 female and 482 male) races, between the years 1997–2020. Information about the countries’ HDI was included, and categorized as “low HDI”, “medium HDI”, “high HDI”, and “very-high HDI”. Athletes were categorized according to their ranking positions (1st–3rd; 4th–10th; > 10th), and the number of athletes per country/year was summed and categorized as “total number of athletes 1997–2000”; “total number of athletes 2001–2010”; and “total number of athletes 2011–2020”. The Chi-square test and Spearman correlation were used to verify potential associations and relationships between variables. Results Most of the athletes were from countries with medium HDI, followed by low HDI and very-high HDI. Chi-square test results showed significant differences among females ( χ 2 = 15.52; P = 0.017) and males ( χ 2 = 9.03; P = 0.014), in half-marathon and marathon, respectively. No significant association was verified between HDI and the total number of athletes, but the association was found for the number of athletes alongside the years (1997–2000 to 2001–2010: r = 0.60; P < 0.001; 2001–2010 to –2011–2020: r = 0.29; P < 0.001). Conclusion Most of the athletes were from countries with medium HDI, followed by those with low HDI and very-high HDI. The Matthew effect was observed, but a generalization of the results should not be done.
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 | 0,002 |
| 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 ».