Classification in Para skiing: do better performing skiers have better visual functions?
Notice bibliographique
Résumé
Introduction Currently, Paralympic skiers with vision impairment are allocated to classes based only on their better eye static visual acuity and visual field diameter. These studies were conducted to investigate whether a broad range of visual functions were different among groups of skiers with different levels of skiing performance. Methods Static and dynamic visual acuities, contrast sensitivity, light and glare sensitivity, glare recovery, motion perception, and visual field were assessed binocularly in elite Para nordic ( n = 26) and Para alpine skiers ( n = 15) at 3 international Paralympic events. Skiing performances were calculated using modified skiing points systems based on skiers' raw race times. Clusters of skiers with similar performances were identified in each sport, and their vision and non-vision variables were compared. Results Skiers in the best performing Para nordic clusters (1 and 2) had better static visual acuities ( p = 0.041) and larger visual fields ( p = 0.004) compared to cluster 3. In Para alpine slalom ( p = 0.019), giant slalom ( p = 0.019), and Super-G ( p = 0.039) the average static visual acuities among the better performing clusters were significantly better compared to the worst performing cluster. In slalom, the cluster with better performance also had a significantly larger visual field ( p = 0.038). In downhill, the better performance cluster demonstrated better dynamic visual acuity ( p = 0.029). Discussion Clusters with better performing skiers appear to have better visual function in both sports. The results of this study would suggest that Para nordic and Para alpine skiers with light perception or no light perception vision should be in one class and that the skiers with quantifiable static VA should be in a different class.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».