Impact of Sudden Rule Changes on Player Injuries and Performance: Insights from Australian Football
Notice bibliographique
Résumé
This study investigated the effects of reduced quarter time due to COVID-19 pandemic rule changes, on running performance and injuries in Australian Football. Microsensor data for eight matches performed by the same 17 players were compared between the 2019 (standard) and 2020 (COVID-19) seasons using linear and generalised mixed models. Injury rates were assessed in 34 players across the full 2019 season, and 32 players across the full 2020 season. The total distance (ES = 1.28 [0.55 to 2.02]), high-speed (>18 km/h) (ES = 0.44 [-0.24 to 1.12]) and very highspeed (>24 km/h) (ES = 0.27 [-0.41 to 0.94]) distances, PlayerLoad™ (ES = 0.96 [0.25 to 1.67]), high-intensity efforts (ES = 0.48 [-0.20 to 1.16]), and accelerations (ES = 0.33 [-0.34 to 1.01]) were smaller (p ≤ 0.01) for the 2020 than the 2019 season. Expressed relative to playing time, distance (ES=-0.38 [-1.06 to 0.30]), PlayerLoad™ (ES = -0.27 [-0.94 to 0.41]), and acceleration efforts (ES = -0.50 [-1.18 to 0.18]) were greater (p < 0.05) for the 2020 than the 2019 season. No significant differences in maximum ball-in-play periods nor the difference between the 1st and 4th quarters were evident. Injury rates remained similar between 2019 (3.36 per game) and 2020 (3.55 per game). However, the proportion of injuries that led to lost time (missed games) was greater for the 2020 (38%) than 2019 season (24%). The changes in the rules had a profound impact on player performance and increased the likelihood of time loss injuries.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».