Adding confidence to our injury burden estimates: is bootstrapping the solution?
Notice bibliographique
Résumé
Injury burden is a composite measure of injury incidence and mean severity that can be used to understand the overall impact of injuries and help identify priority areas for injury prevention. Injury burden has been used within rugby union epidemiological studies since the early 2000s, but it is now recognised and recommended within other sports, including the most recent International Olympic Committee consensus statement for the recording and reporting of epidemiological data on injury and illness. Injury burden is normally reported as athlete days absence per 1000 athletehours and is derived from the product \nof injury incidence (expressed as injuries sustained/1000 athlete-hours) and severity (expressed as the mean severity of injury in days). \n \nWhile the value of injury burden as an output measure from injury surveillance studies is evident, there appears to be some confusion in the literature regarding its calculation. For instance, some authors \nhave used median severity to calculate injury burden rather than mean \nseverity, as discussed in a recent critical review. In addition, there appears to be no clear guidance within the sports medicine literature regarding the most appropriate way to calculate confidence intervals (CIs) for this metric.
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 | 0,094 | 0,504 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,013 | 0,015 |
| Science ouverte | 0,007 | 0,003 |
| Intégrité de la recherche | 0,021 | 0,039 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,007 |
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 ».