A video-based time-motion analysis of an elite male basketball team during a season: game demands according to player position, game quarter, and actual time played
Notice bibliographique
Résumé
To investigate differences in the game demands of top-level professional basketball players based on their position and the quarter of the game. Thirteen elite male players were assessed on their positions (point guard, guard, forward, and centre) over different quarters (Q1-Q4) during 15 home games. A multivariate analysis of variance was performed using role and quarters as predictors to assess distances, speeds, and accelerations. The guard and point guard covered more distance than the centre and forwards (p > 0.001). The average distance covered was higher (p < 0.01) in Q4 than in the other quarters. Both speed and the percentage of time spent in the jogging to max speed range decreased significantly from Q1 to Q4, while time spent standing and walking tended to increase from Q1 to Q4. The point guard spent the highest percentage of total time performing major accelerations followed by the guard, while the forwards and centre spent less time performing accelerations. Overall, 22.8 ± 0.7% of total playing time was spent performing major accelerations, which decreased from Q1 to Q4. These findings suggest that the positions of elite basketball players vary in terms of the activities demands they place on players, underscoring the need for individualised role-based conditioning.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| 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 ».