A Potential Screening Tool for Nutritional Preparedness in Collegiate Level Female Athletes: A Pilot study
Notice bibliographique
Résumé
Background: Diet monitoring is part of an athlete’s health and performance assessment, and adequate nutrition is known to be a method that can positively influence the reduction in exercise-induced injury. However, the concept of nutritional preparedness as a screening tool to identify low energy availability for the competitive season is not mainstream practise. Objectives: Our pilot study investigated three aims: 1) changes to nutritional status from the pre-competition phase to the competition phase, 2) living status impact on athlete’s food accessibility, and 3) whether nutritional preparedness in the pre-competition phase influenced the potential for low energy availability during the competition phase. Methods: Female volleyball athletes (N=21, 19-22 yrs., 80% lived off campus) were recruited from 3 universities (Ambrose, Calgary, New Brunswick- Saint John) through social media sites, and word of mouth. Two cross-sectional questionnaires (questions derived from the Short Food Frequency-Q, LEAF-Q, and RED-S screening tool-Q) were administered prior to and during the competitive season. Results: The nutritional assessment score significantly decreased from the pre-competition to competition phase, respectively (n=20, 26.11 ± 4.25; n=12, 20.64 ± 4.74; p=0.022). Many athletes (6/12) reported an injury during the competitive season with an average time loss from sport of 8-14 days. Conclusions: These findings suggest that collegiate female volleyball athletes have a potential for low energy availability, regardless of living status. Future research should build on the nutritional preparedness concept as a method of screening for low energy availability and the influence on injuries sustained during the competition phase.
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 | 0,001 | 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 ».