Rugby Sevens sRPE Workload Imputation Using Objective Models of Measurement
Notice bibliographique
Résumé
While accurate athlete load monitoring is crucial for preventing injury and optimizing performance, the commonly used session rating of perceived exertion training load or competition load method faces limitations due to compliance issues related to missing subjective data self-reported by the athlete and the subsequent challenges in imputing the sessional rating of perceived exertion (sRPE) component, an average value for a training or competition session. This study investigated the imputation of missing RPE scores from the mechanical work and from a Speed–Deceleration–Contact (SDC) model. A total of 1002 datasets were collected from women’s rugby sevens competitions. Using either the mechanical work or SDC, linear regression and random forest imputation models were assessed at different missingness levels and their results compared to those of a common method of daily team mean substitution (DTMS) using an ANOVA of the accuracy by the model type and missingness. The statistical equivalence was evaluated for true and imputed sRPE scores by the model and strategy. Significant interactions between the model type and missingness were found, with all the imputed scores being deemed statistically equivalent. From the ANOVA, DTMS was found to be the poorest-performing model and the random forest model was the best. However, the best-performing model was not superior to previously reported imputation approaches, which confirms the difficulty in using subjective measures of the load when missing data is a prevalent issue in team sports. Practitioners are encouraged to critically evaluate any method of imputation for an athlete’s load.
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 | 0,019 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».