Assessing the validity and reliability of a baseball pitch discrimination online task
Notice bibliographique
Résumé
There has been an increasing interest in training perceptual skills in sports through online video-based methods, particularly in baseball. However, there is little empirical evidence related to the reliability and validity of such online methods for the assessment of these skill. Here we developed an online task to assess pitch discrimination and evaluated (a) inter-item reliability, (b) reliability in assessment compared to an in-person task, also tapping into external validity and (c) discriminability across different skill groups. We also compared performance on a non-sport specific Dynamic Visual Acuity task (DVA), thought to tap into underlying visual skills comprising pitch discrimination. Skilled, Varsity-level baseball players (n = 17) were compared to novices (n = 14) when discriminating pitches thrown by two different pitchers, across three pitch types, edited to progressively remove sections of ball flight (3 time points). The online task discriminated across skill groups, showed good reliability across repeated viewings and from the online task to an in-person assessment of skilled athletes (n = 8). There were, however, differences in reliability and discriminant validity based on the type of pitcher, with one pitcher being responded to more accurately and reliably. Skilled participants showed good discriminability between fastballs and change-ups. There were no group differences for DVA, nor did it correlate with pitch discrimination for the skilled group. These data illustrate the reliability of online video assessments, but raise issues concerning discriminability across different pitchers and when standing ready to swing. Greater sensitivity testing of such assessments is still needed, within and across skill groups.
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) | 0,001 | 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 ».