Starting and Specialisation Ages of Elite Athletes across Olympic Sports: An International Cross-sectional Study
Notice bibliographique
Résumé
Talent development models are the frameworks that guide sports stakeholders in developing potential athletes, within which early specialisation and diversification remain contradictory strategies. This paper presents new insights into the starting and specialisation ages of world-class athletes in various Olympic sports. A total of 2,838 athletes from 13 nations and 44 Olympic sports were included in this study. The results show that world-class athletes started with their current sport at the age of 10.6 (±5.3) and decided to focus on this sport at the age of 15.6 (±5.0), with obvious variations in these ages across different sports. The study showed a moderate relationship between athletes’ starting and specialisation ages (r = 0.639), which demonstrates the variable duration of the multiple sport sampling period. This period, during which athletes pursue a variety of sports, lasts 4.9 years on average. There is a high degree of variation among different athletes in starting and specialisation ages, even within the same sport. All sports in the study can be classified into five categories based on a combination of their starting ages (early/intermediate/late) and specialisation ages (early/intermediate/late). The Developmental Model of Sports Participation provides the age guidelines for the categories. The five categories contain (I) early specialisation sports, (II) intermediate starting and specialisation sports, (III) late specialisation sports, (IV) late starting sports, and (V) late starting and late specialisation sports. The study concludes by proposing that there is a need for sport-specific talent development models with increased attention to each sport’s starting age, sampling period, and specialisation age.
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 | 0,005 | 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 | 0,001 |
| 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 ».