National Medical Teams during European Athletics Championships from 2009 To 2024: Composition, Gender Distribution, and Influence on Team Performance
Notice bibliographique
Résumé
BACKGROUND: Having the overall goal to help countries/teams in the preparation of their national medical teams for international athletics championships, we aimed to describe the composition of national medical teams, including gender distribution, and to explore its potential association with team performance, during European Athletics championships. We conducted a retrospective study covering 15 consecutive outdoor and indoor European Athletics championships between 2009 and 2024 including the national medical team members and athletes registered. We extracted the number of national medical team members by profession and gender, the ratio of athletes per national medical team member, and the number of medals per athlete. Potential associations were explored using Spearman's correlations. RESULTS: During the 15 consecutive European Athletics championships between 2009 and 2024, 54 European Athletics member federations participated at one or more of the championships, corresponding to 726 country-participations, from which 68.5% had a national medical team. The national medical team included: 71.0% physiotherapists and 29.0% physicians, 20.7% women and 79.3% men. There was a median of 11 (range: 1-43) athletes per physiotherapist and 23 (range: 3-64) athletes per physician. There was a small but significant negative correlation between the number of medals per athlete and the ratio of athletes per medical team member (r=-0.33; p < 0.001). CONCLUSIONS: During the European Athletics championships, approximately two-thirds of countries/teams had a national medical team, with a median of eight athletes per medical team member, with large variation between teams. Only one out of five medical team members were women. When the number of athletes per medical team member was higher, this was associated with a lower number of medals per athlete. These findings may be of help to assemble effective and successful medical teams in future championships.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».