When to Pull the Trigger: Conceptual Considerations for Approximating Head Acceleration Events Using Instrumented Mouthguards
Notice bibliographique
Résumé
Head acceleration events (HAEs) are acceleration responses of the head following external short-duration collisions. The potential risk of brain injury from a single high-magnitude HAE or repeated occurrences makes them a significant concern in sport. Instrumented mouthguards (iMGs) can approximate HAEs. The distinction between sensor acceleration events, the iMG datum for approximating HAEs and HAEs themselves, which have been defined as the in vivo event, is made to highlight limitations of approximating HAEs using iMGs. This article explores the technical limitations of iMGs that constrain the approximation of HAEs and discusses important conceptual considerations for stakeholders interpreting iMG data. The approximation of HAEs by sensor acceleration events is constrained by false positives and false negatives. False positives occur when a sensor acceleration event is recorded despite no (in vivo) HAE occurring, while false negatives occur when a sensor acceleration event is not recorded after an (in vivo) HAE has occurred. Various mechanisms contribute to false positives and false negatives. Video verification and post-processing algorithms offer effective means for eradicating most false positives, but mitigation for false negatives is less comprehensive. Consequently, current iMG research is likely to underestimate HAE exposures, especially at lower magnitudes. Future research should aim to mitigate false negatives, while current iMG datasets should be interpreted with consideration for false negatives when inferring athlete HAE exposure.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| 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 ».