Utilization of recommended safe-landing strategies during falls in mountain biking
Notice bibliographique
Résumé
Falls are common in mountain biking (MTB), and often involve high speeds, large descent heights, and rough landing terrains. However, most falls in MTB do not cause serious injury. This may be due, in part, to protective movements used by MTB riders to avoid injury. Such "safe-landing strategies" are commonly discussed in the MTB community. However, studies have not synthesized or examined the validity of the recommended strategies. Our goal in this study was to determine whether riders utilize recommended safe-landing strategies during real-life falls in MTB. To address this goal, we identified 11 recommended safe-landing strategies through online content analysis and experienced MTB rider surveys. We then analyzed videos of 300 real-life MTB falls using a structured questionnaire to determine whether riders utilized the recommended strategies. The most commonly used strategies were upper limb bracing (58.3 %), elbow flexion at landing (48.0 %), stepping (47.0 %), knee flexion at landing (43.0 %), and bike separation (40.0 %). The least utilized strategies were reach-to-grasp (4.7 %), use of the arms to shield the face (6.3 %) and dismounting from the bike (6.7 %). Moderately utilized strategies included body rolling (26.7 %), neck rotation (26.7 %), and tucking (18.3 %). In 96 % of falls, rider utilized at least 1 recommended landing strategy. On average, riders utilized 3.04 (SD 1.6) recommended landing strategies when falling. Our results indicate that falls in MTB elicit common movement strategies that align with recommended techniques for avoiding injury during falls. Future research should examine the role of exercise in enhancing safe-landing responses and preventing injuries in MTB.
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 | 0,000 |
| 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 ».