The Limitations of Systematic Reviews With Meta-Analyses in Sport Science
Notice bibliographique
Résumé
It is generally argued that systematic reviews are necessary because of the possibility of some subjective bias in narrative reviews. Thus, SRwMs are considered the gold standard of scientific evidence. However, “all that glitters is not gold,”2 as SRwMs are only as good as the articles they contain, not only from a risk-of-bias perspective2 but also when considering the characteristics of the samples, protocols, and outcomes included. Generalizations may erroneously pretend to be a one-size-fits-all solution for complex biological phenomena. When considering the factors and potential moderators of training interventions and subsequent performance and physiological adaptations, a suite of population characteristics (eg, training background, age, sex), training-regimen characteristics (eg, exercise type and mode, loading, timing), testing protocols and selected outcomes (eg, exercise type, performance parameter, timing), and other contextual factors should be included. Consideration of all these factors is important for a better characterization of any (acute or chronic) training effect on an individual athlete basis, as previously exemplified for postactivation performance-enhancement strategies.3 However, this approach is not always possible for most SRwMs and the included studies. This shortcoming means that any analysis from an SRwM may be limited because of the infinite combinations of all those potential factors and their moderators, which may result in suboptimal combinations.
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 | 0,262 | 0,632 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,014 | 0,009 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,011 | 0,005 |
| Intégrité de la recherche | 0,013 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».