Longitudinal Monitoring of Biomechanical and Psychological State in Collegiate Female Basketball Athletes Using Principal Component Analysis
Notice bibliographique
Résumé
Background: The growth in participation in collegiate athletics has been accompanied by increased sport-related injuries. The complex and multifactorial nature of sports injuries highlights the importance of monitoring athletes prospectively using a novel and integrated biopsychosocial approach, as opposed to contemporary practices that silo these facets of health. Methods: Data collected over two competitive basketball seasons were used in a principal component analysis (PCA) model with the following objectives: (i) investigate whether biomechanical PCs (i.e., on-court and countermovement jump (CMJ) metrics) were correlated with psychological state across a season and (ii) explore whether subject-specific significant fluctuations could be detected using minimum detectable change statistics. Weekly CMJ (force plates) and on-court data (inertial measurement units), as well as psychological state (questionnaire) data, were collected on the female collegiate basketball team for two seasons. Results: < 0.05), and no other overarching associations were identified at the group level. However, post-hoc case study analysis showed subject-specific relationships that highlight the potential utility of red-flagging meaningful fluctuations from normative biomechanical and psychological patterns. Conclusion: Overall, this work demonstrates the potential of advanced analytical modeling to characterize components of and detect statistically and clinically relevant fluctuations in student-athlete performance, health, and well-being and the need for more tailored and athlete-centered monitoring practices.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».