Decoding the Tackle: Using a Machine Learning Approach to Understand Direct Head Contact Events in Elite Women's Rugby
Notice bibliographique
Résumé
ABSTRACT Concerns about the cumulative effects of head acceleration events in rugby are growing, but how tackle events lead to direct head contact in women's rugby remains underexplored. This cross‐sectional study aimed to develop and evaluate a machine learning model to identify characteristics associated with direct head contact and incorrect tackler head placement in elite women's rugby. Match situational and precontact technical characteristics ( n = 31) from 1500 randomly selected tackle events were coded visually and retrospectively analyzed from the 2022–23 Women's Six Nations Championship. A machine learning model was developed and evaluated using a grid search with 5‐fold cross‐validations and F 1 scores (i.e., a measure of predictive performance). The top modifiable characteristics associated with the target outcomes across 100 test sets were identified by mutual importance and decision tree modeling. The top modifiable characteristics linked to direct head contact to the tackler were incorrect head placement, coming to balance, and foot placement. Tackle direction, point of contact on the tackler, and multiplayer tackles were key characteristics for incorrect tackler head placement. Tackler drop height, front/oblique tackle direction, and multiplayer tackles were strongly associated with direct head contact to the ball‐carrier. Incorrect tackler head placement, the direction of tackle, tackler drop height, and multiplayer tackles are key characteristics in direct head contact events in elite women's rugby. Addressing these characteristics should be prioritized in contact training practices, education resources, and law enforcement to enhance player safety and direct head contact events in the women's game.
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 | 0,006 | 0,000 |
| 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 ».