Falling and Landing Framework (FLF): A Consensus on a Novel Falling and Landing Video Analysis Framework for Use Across Rugby Codes
Notice bibliographique
Résumé
Understanding how players experience head-acceleration events (HAE) whilst playing rugby is a priority area of research. In both rugby union and league, video analysis frameworks have been developed to comprehensively define key features of contact events. However, these frameworks were developed prior to recent advances in our understanding regarding the proportion of HAEs that occur due to head-to-ground mechanisms and do not consider important post-contact variables. Therefore, there is a need to supplement the existing frameworks in order to capture how players fall and land post-tackle. This study used the Delphi method with an interdisciplinary, international team of researchers, coaches and video analysts (working with a variety of playing levels in rugby union and league) to establish a consensus for defining falling and landing events. Subsequently, a draft framework was developed on which the research team provided feedback via online meetings, culminating in the falling/landing framework that each member of the research team rated agreement on, via a nine-point Likert-type scale, with consensus deemed to be reached when the median score was ≥ 7. The median scores were 8.0 (7.8-8.0), 8.0 (7.0-9.0) and 8.0 (8.0-9.0) for 'Additional Contextual Characteristics for Carry and Tackle Events,' 'Falling Characteristics of Tackle and Carry Events,' and 'Landing Characteristics of Tackle and Carry Events,' respectively. This novel framework defines more comprehensive falling and landing variables to capture post-contact injury and performance markers in both rugby union and league, through a standardised approach.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».