University Rankings in Sport Science: A True Reflection of Excellence?
Notice bibliographique
Résumé
BACKGROUND: University rankings often serve as benchmarks for excellence in academic evaluation. For example, ShanghaiRanking data from 2016 to 2023 for the Global Ranking of Sport Science Schools and Departments reveal consistent dominance by Australia (23.1%), Canada (18.0%), and the United States (12.0%), collectively counting over half of the top 50 universities worldwide. Nevertheless, there is uncertainty about how the methodology behind these rankings shapes a reality as much as it reflects one. PURPOSE: Our intention is to discuss the complexity of university rankings, using ShanghaiRanking as an example, to highlight how these rankings reflect academic excellence within the field of sport science. Current Evidence: When ranking universities in sport science, several aspects of academic excellence could be considered in addition to research metrics currently considered in ShanghaiRanking (publication, citation, citations per publication, top 25% journal publications, and internationally collaborated publications). These aspects may include (1) teaching quality, (2) practical training, (3) industry links and employability, (4) support services, (5) facilities and equipment, (6) international network, (7) community engagement, (8) sustainability and ethical practices, and (9) interdisciplinary approach. Altogether, they could provide a more comprehensive view of the quality and effectiveness of a sport-science program. CONCLUSIONS: The ranking of sport-science institutions poses a complex challenge due to diverse factors influencing academic excellence. Engaging in a broader dialogue and refining internationally relevant evaluation methodologies are crucial. These steps enable comparability between countries and provide a holistic understanding of the multidimensional nature of academic excellence in sport science.
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 | 0,001 |
| 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 ».