A Descriptive Video Analysis of Helmet Impact Cases in North American Youth Football Players
Notice bibliographique
Résumé
Background: Detailed characterization of on-field helmet impacts in football through video analysis has mostly been limited to professional games due to the availability of high quality, multi-view video (e.g., broadcast footage). Few studies have assessed youth football helmet impacts using video-based methods, often with only a single-camera view. Objective: A multi-camera approach was used in this observation-based study to describe the mechanisms and situational factors of in-game helmet impacts experienced by youth football players. Methods: A descriptive video analysis was performed in which video of three games from two old divisions (game A: 9–12 years; games B and C: 13–14 years) was reviewed and parameters related to all cases of observed helmet impact were documented. Results: Overall, 95 helmet impact cases were identified (single helmet contact: 81.1%; multiple helmet contacts: 18.9%), with 115 helmet contacts. Helmet-to-ground contacts were most common (59.1%), followed by helmet-to-helmet (24.3%) and helmet-to-body (16.5%). Helmet impact cases generally occurred during a rush play (67.4%) and were concentrated in the mid-field (81%). Helmet contact locations were predominantly distributed between the rear (upper) (28.7%) and side (upper) (27.8%) helmet regions. Tackling was the most frequent activity leading to helmet impact (41.1%). Conclusion: These findings offer detailed on-field helmet impact characteristics at the youth level that can help inform athlete safety improvement efforts.
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 | 0,001 |
| 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) | 0,000 | 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 ».