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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| 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 | 0,001 |
| 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 ».