3.5 SENIC: a sport concussion assessment and empowerment tool based on serious gaming
Notice bibliographique
Résumé
Objective To examine the reliability and learning effect of an assessment tool based on serious gaming (SENIC) for sport-related concussions. A secondary objective was to collect preliminary data on responsiveness following a concussion. Researchers hypothesized that no learning effect would be observed and that performance would be impaired following a concussion. Design Longitudinal study. Performance at SENIC was assessed three times during athletes’ season. Following a concussion, athletes were also invited to perform the test within a 72-hour period. Setting and Participants One hundred healthy soccer varsity athletes (34 males, 66 females) aged between 13 and 26 years old (M = 17.68, SD = 3.03). All had normal or corrected-to-normal vision and reported no persistent symptoms from a past concussion. Outcome Measures Performance at SENIC included the percentage of correct detection and median detection time for specific events in sport-specific video sequences. Main Results Results revealed no significant difference across test sessions regarding the percentage of detection (M = 71.08, 73.01, and 72.07%, respectively, p = .150, ƒ = .078) and detection time at SENIC (M = 443, 422, and 446 ms, respectively, p = .152, ƒ = .079). Preliminary data on six concussed athletes showed that most of them exhibited a slower response time (4/6, = -116 ms) and a lower percentage of detection (5/6, = – 4.74%) compared to baseline. Conclusions The present study suggests that SENIC has the potential to help better identify concussion-related cognitive impairments while avoiding the learning effects associated with cognitive testing.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».