Why We Must Stop Assuming and Estimating Menstrual Cycle Phases in Laboratory and Field-Based Sport Related Research
Notice bibliographique
Résumé
The increased growth, popularity, and media interest in women's sport has led to calls for greater prioritisation of female-specific research and innovation. In response, science and medicine researchers have increased the volume of sport-related studies investigating female-specific matters, such as the menstrual cycle. Whilst the accelerated rate of published studies with female participants is welcome, the emerging trend of using assumed or estimated menstrual cycle phases to characterise ovarian hormone profiles is a significant concern. Replacing direct measurements of key characteristics of the menstrual cycle (e.g. the surge in luteinising hormone prior to ovulation via urine detection and sufficient luteal phase progesterone via blood or saliva sampling) with assumptions or estimates (i.e. no measurements) is proposed to be a pragmatic and convenient way of generating data, particularly in field-based research (i.e. elite athlete environments), where time, resources, and athlete availability are sometimes constrained. Using assumed or estimated phases, however, amounts to guessing the occurrence and timing of ovarian hormone fluctuations and risks potentially significant implications for female athlete health, training, performance, injury, etc., as well as resource deployment. The positive intentions of researchers and scientific journals in this space are not in question. The aim of this Current Opinion is to explain why using assumed or estimated menstrual cycle phases is an approach that has little scientific basis and lacks the rigour and appropriate methodological quality to produce valid and reliable data. In doing so, we provide evidence-based responses to common speculation points and offer recommendations for future research.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».