Systematic review of methods used to measure training load in dance
Notice bibliographique
Résumé
Dance is a popular physical activity. Increased dance training has been associated with an increased risk of injury. Given the established association between training load (TL) and injury in sport, knowledge of how TL is currently being measured in dance is critical. The objective of this study is to summarise published literature examining TL monitoring in dance settings. Six prominent databases (CINAHL, EMBASE, Medline, ProQuest, Scopus, SportDiscus) were searched and nine dance-specific journals were handsearched up to May 2022. Selected studies met inclusion criteria, where original TL data were collected from at least one dancer in a class, rehearsal and/or performance. Studies were excluded if TL was not captured in a dance class, rehearsal or performance. Two reviewers independently assessed each record for inclusion at title, abstract and full-text screening stages. Study quality was assessed using Joanna Briggs Institute Critical Appraisal Tool checklists for each study design. The 199 included studies reported on female dancers (61%), ballet genre (55%) and the professional level (31%). Dance hours were the most common tool used to measure TL (90%), followed by heart rate (20%), and portable metabolic systems (9%). The most common metric for each tool was mean weekly hours (n=381; median=9.5 hours, range=0.2-48.7 hours), mean heart rate (n=143) and mean oxygen consumption (n=93). Further research on TL is needed in dance, including a consensus on what tools and metrics are best suited for TL monitoring in dance.
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 | 0,049 | 0,226 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,011 |
| Bibliométrie | 0,030 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».