USE OF ARTIFICIAL NEURAL NETWORKS TO EVALUATE THE INTERACTION OF CONFOUNDING FACTORS WITH DISCRIMINATING FACTORS DURING THE SELECTION OF YOUNG ATHLETES FROM DIFFERENT SPORTS: A PILOT STUDY
Notice bibliographique
Résumé
Introduction: Multilayer artificial neural networks (MLP's) have proven to be effective in discriminating morphological and biomechanical specificities of young elite athletes. However, they have not yet verified the effectiveness of MLP's to identify the interaction of confounding factors, such as biological maturation (BM). BM influences morphological and biomechanical factors, so if MLPs have not considered this confounding factor they may group young athletes by maturational rather than sport characteristics. Objective: Analyze the morphological and neuromuscular discriminatory factors of young athletes of different sports using MLP’s to assess the interaction with BM. Methods: The sample consisted of 56 young national level Brazilian athletes (tennis, rowing, football, Brazilian jiu-jitsu (BJJ), swimming and volleyball) of both sexes (13.0±1.0-yrs). Measurements included standing and sitting height, leg length, BM (by peak height velocity, PHV), body composition (by DEXA), upper limb performance, handgrip and squat (SJ) and countermovement (CMJ) jumps. Analyses were performed using canonical correlations and MLP's. Results: BM, sitting height, bone density (BMD), CMJ and handgrip discriminated 39.3% of athletes (F=2.432; p<0.001). Specifically, sitting height, handgrip, CMJ and BMD produced the probability of discriminating volleyball athletes by 80%, football by 78.1%, BJJ by 55.5%, tennis by 33.9%, swimming by 30.9% and rowing by 16.6%. BM interacted positively in the discrimination process of athletes in 90% in football, in 80% in volleyball and in 54.5% in swimming. Conclusion: MLP's have been shown to be effective in finding the interaction of confounding factors. MLP's can be used to aid in the selection process of young athletes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».