‘Tackling’ rugby safety through a collective approach
Notice bibliographique
Résumé
Commitment to seeking an evidence-informed approach When it comes to player welfare, Rugby Union governing bodies have committed to seeking and funding an evidence-informed approach. This involves using research to make informed decisions about policy, laws and injury prevention programmes. Over the last decade, a growing body of research has informed player safety, for example, modifications to scrum laws to reduce catastrophic head and neck injuries.1 However, major gaps remain, including tackle research focusing on the women’s game.2 A socioecological perspective It is well understood that player welfare, specifically injury prevention, is a complex issue. To effectively address these complexities and make a long-term impact requires a dynamic socioecological approach.3 ,4 An athlete operates within a socioecological structure (individual, interpersonal, organisational, community) that is influenced by a web of inter-related factors and actors, both of which change over time and/or when a factor/actor is modified (figure 1). Typically, injury prevention research will identify player level factors that influence injury risk (risk factors), and aim to modify these factors through behaviour change interventions. However, the socioecological view emphasises understanding contextual factors influencing implementation of such modifications. For example, if the behaviour intervention is a training programme, how much time is available to implement the training programme? Or, is the training programme appropriate for all sexes?
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 | 0,017 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,029 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,003 | 0,029 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».