High school rugby coaches’ knowledge and opinions of concussion in KwaZulu Natal province in South Africa: an ecological cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Concussions in Rugby Union are common with an increased risk to adolescent players. Coaches are key to injury prevention and a greater understanding of their knowledge and sentiments may guide future initiatives. There is a lack of data on rugby coaches, especially in South Africa. This study aimed to investigate the knowledge and opinions of high school rugby coaches regarding concussion management. METHODS: This cross-sectional study of 37 high school rugby coaches in South Africa, was conducted via a self-reported questionnaire. Concussion knowledge was scored for correct answers only with closed-question scaling methods to measure the importance of items of concussion management using a graphical rating scale. An attitude scale (Likert) was used to assess self-reported opinions and behaviours. Associations were calculated for participant characteristics and overall concussion injury knowledge. RESULTS: More participants showed good overall knowledge of ≥ 75% (n = 22, 59% vs. n = 15, 40%), especially those with greater coaching experience (p = 0.021). Player welfare was perceived more important than player performance (185 vs. 164), with concussion prevention most important (184 of 185). Appealing characteristics of an injury prevention programme were the improvement of player skill (173, SD ± 0.75, mean 4.68), being adaptable (171, ± 0.86, 4.62), and being completed in the warm-up (167, ± 0.93, 4.51). The biggest perceived barriers were duration (138, ± 1.59, mean 3.73), effort (130, ± 1.56, 3.51), compliance and lack of knowledge (both 127, ± 1.68, 3.43). CONCLUSION: These results support the implementation of ongoing concussion education for rugby coaches and identify areas for promoting awareness and knowledge of concussion injury prevention, identification, and specific management of younger athletes. Appealing characteristics and barriers are highlighted and may allow for improved implementation and adherence to concussion prevention programmes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».