Assessing Helmet Fit for Varsity Ice Hockey Athletes: A Field Intervention Study
Notice bibliographique
Résumé
Background: Protective equipment is at the forefront of the discussion on reducing sports-related concussions, with the role of helmets being equivocal. Data suggest that modern helmets are not entirely protective against concussions, and ill-fitting helmets may contribute to concussions with longer-lasting symptoms. Helmet fit can be assessed via a checklist, but its application outside of youth sport is lacking. Objectives: The purpose of this study was to assess helmet fit and the effect of feedback for a men’s (n=22) and a women’s (n=20) university varsity ice hockey team across a season. Methods: This field intervention study used a 12-item helmet fit checklist which was divided into five categories, defining “proper fit” as meeting all criteria of the stability and size categories. Players’ concussion histories and helmet fit knowledge were assessed using a survey. Results: The number of properly fitting helmets for males increased from 23% to 77% over the season, while remaining consistent at 50% for females. For males, 73% had an increase in overall checklist scores and 27% saw no change; 45% of females had an increase, 5% saw no change, and 50% decreased. Reported female (85%) concussion rate was double that of males (41%), but perceived knowledge of helmet fit (male=36%, female=30%) and actual knowledge (male=77%, female=85%) were similar. Conclusions: Feedback only had a positive effect on helmet fit for males across the season, potentially due to helmet style differences for females. Improvements to checklist criteria and scoring would increase the effectiveness of assessing fit for multiple helmet styles.
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 | 0,002 | 0,001 |
| 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 ».