Minimal Number of Events Required for Acceleration–Speed Profiling in Elite Women’s Soccer
Notice bibliographique
Résumé
PURPOSE: To determine the minimum number of events (training or matches) for producing valid acceleration-speed (AS) profiles from global navigation satellite system (GNSS) data. METHODS: Nine elite female soccer players participated in a 4-week training camp consisting of 19 events. AS profile metrics calculated from different combinations of athlete events were compared to force-velocity (FV) profile metrics from 2 × 40-m stand-alone sprint effort trials, using the same GNSS 10-Hz technology. Force-velocity profiles were calculated, from which AS profiles were obtained. AS profiles from training and matches were generated by plotting acceleration and speed points and performing a regression through the maximal points to obtain the AS metrics (theoretical maximal speed, x-intercept [in meters per second], theoretical maximal acceleration, y-intercept [in meters per second squared], and the slope per second). A linear mixed model was performed with the AS metrics as the outcome variables, the number of events as a fixed effect, and the participant identifier as a mixed effect. Dunnett post hoc multiple comparisons were used to compare the means of each number of event grouping (1-19 events) to those estimated from the dedicated sprint test. RESULTS: Theoretical maximal speed and theoretical maximal acceleration means were no longer significantly different from the isolated sprint reference with 9 to 19 (small to trivial differences = -0.31 to -0.04 m·s-1, P = .12-.99) and 6 to 19 (small differences = -0.4 to -0.28 m·s-2, P = .06-.79) events, and the slopes were no longer different with 1 to 19 events (trivial differences = 0.06-0.03 s-1, P = .35-.99). CONCLUSIONS: AS profiles can be estimated from a minimum of 9 days of tracking data. Future research should investigate methodology resulting in AS profiles estimated from fewer events.
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 ».