MétaCan
Menu
Retour à la cohorte
Enregistrement W4406119181 · doi:10.1123/kr.2024-0069

“Good Advice for a Bloodsport”: Injury, Coercion, Harm, and Physical Extraction in U.S. College Football

2025· article· en· W4406119181 sur OpenAlexaff
Derek Silva, Nathan Kalman-Lamb

Notice bibliographique

RevueKinesiology Review · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSports, Gender, and Society
Établissements canadiensUniversity of New BrunswickThe King's UniversityWestern University
Organismes subventionnairesnon disponible
Mots-clésHarmCoercion (linguistics)FootballPsychologyCollege footballSports injuryCriminologySocial psychologyMedicineLawPhysical therapyPolitical science

Résumé

récupéré en direct d'OpenAlex

Most mainstream debates about exploitation in college athletics are unquestionably right to highlight the foundational injustice that players are not compensated directly for their value-producing athletic work. Yet, what this discourse does not often account for is the fact that exploitation is not just about how benefits are distributed in an exchange but also how harm is distributed. College football is a site of some of the most brutal working conditions in U.S. society, yet it is unregulated by occupational health and safety standards and unprotected by labor organizing. Drawing on semistructured interviews with 25 former college football players, we argue that players are often subjected to brutal physical (and emotional) harm and discipline in the course of their work, compelled to play through injury, and forced to endure abusive coaching, often without long-term health insurance. We thus take account of the physical and emotional harm that saturates college football.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,596
Score d'incertitude au seuil0,461

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,378
Écart entre enseignants0,350 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKinesiology ReviewMême sujetSports, Gender, and SocietyTravaux en français237 207