Linear skating speed key performance indicators in ice hockey: global or cohort-dependent?
Notice bibliographique
Résumé
The purpose of this investigation was to determine whether off-ice key performance indicators (KPIs) of linear skating speed are global across all skaters or modulated based on relevant cohort-dependent covariates. A total of 112 development- and university-level hockey players completed on-ice (30-m skate; ICE 0–30 m) and off-ice assessments (30-m sprint with split times, countermovement jump; CMJ, broad jump, and maximum chin ups). A linear regression model was created to predict ICE 0–30 m times from off-ice inputs with height, body mass, age level, and strength level included as covariates. Model parameters were estimated using the LASSO method with k-fold cross validation. The final model had a cross-validated R2 of 0.806. The strongest predictor of ICE 0–30 m times was 20–30 m sprint time (ß = 0.088). Relative propulsive mean power (ß = -0.064) from the CMJ, 0–30 m sprint time (ß = 0.058), and broad jump (ß = −0.046) represented second-tier predictors. Both relative braking net impulse (ß = 0.043) and relative braking mean power (ß = −0.009) from the CMJ were predictive factors for lower strength players only. The results indicate that top speed sprinting represents the primary global KPI and closest off-ice proxy for skating speed regardless of cohort.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».