MétaCan
Menu
Retour à la cohorte
Enregistrement W4391384425 · doi:10.1136/bjsports-2023-concussion.8

2.7 Does the SCAT5 10-word list improve the distribution of scores over the SCAT3 5-word list in professional hockey players?

2024· article· en· W4391384425 sur OpenAlexaff
Ruben J. Echemendía, Joannie Thelen, Meeuwisse Willem, Michael G. Hutchison, Paul Comper, Jared M. Bruce

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueTopic Modeling
Établissements canadiensToronto Rehabilitation InstituteUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésWord (group theory)Ceiling effectWord listComputer scienceMathematicsMedicineArtificial intelligencePathology

Résumé

récupéré en direct d'OpenAlex

Objective The SCAT5 introduced Immediate Memory (IM) and Delayed Recall (DR)10-word lists to improve the ceiling effects found on SCAT3 5-word lists. We examined whether the 10-word lists improved the normative distribution of scores over the 5-word lists at baseline among professional hockey players. Design Retrospective Cohort. Setting Outpatient professional hockey. Participants English-language preference professional hockey players completed the SCAT3 5-word lists (n=1123) during pre-season in 2017 and SCAT5 10-word lists (n=1479) in 2019 for a total sample of 2602. Independent Variables 5-word vs. 10-word SCAT lists. Outcome Measures SCAT3 5-word IM and DR, SCAT5 10-word IM and DR scores. Main Results SCAT3 5-word IM lists produced a significant total score ceiling effect (M=14.62, md=15). A perfect score of 15 was achieved by 809 players (72%) on the 5-word list. In contrast, the SCAT5 10-word IM lists total scores were normally distributed (M=21.30, md=21). Only 1 player (0.1%) obtained a perfect score. Older players outperformed younger players (rs=.19, p<.001). Differences were found across language groups, F(7,1863)=7.14, p<.001, and form versions of the lists, F(2,1868)=62.41, p<.001. The 5-word DR component yielded similar distributions (M= 3.89, md=4) with 39% of players obtaining perfect scores. The 10-word mean DR score=7.02 (md=7). Again, older players outperformed younger players (rs=.12, p< .001). No language differences emerged. Conclusions The 10-word lists improved the distribution of scores on the SCAT5 IM/DR tasks, which should improve the detection of impaired performance following concussion. Significant differences were found in age, language preference and form.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,267
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTopic ModelingTravaux en français237 207