Uncovering Sleep Behaviour in Women’s Football: What Evidence Do We Have?
Notice bibliographique
Résumé
Sleep plays an important role in performance, health and well-being, yet may represent a challenge to many female football players. Areas of the brain that are involved in the regulation of sleep contain receptors for the ovarian hormones, estrogen and progesterone. While limited evidence exists describing sleep across the menstrual cycle in elite female football players, related data suggest that female athletes may report poor subjective sleep, despite appropriate objectively measured sleep quality and quantity, particularly prior to or during menstruation. Some of the precipitators of poor sleep in female athletes may include: travel and jetlag, caffeine consumption, light exposure, competing at night, menstrual cycle symptoms, menstrual cycle dysfunction, low iron status and performing caring responsibilities. This article discusses potential approaches to protect, assess and provide interventions to support sleep in female football players. Despite the evidence base of research being predominantly studies of male athletes, there are a number of specific recommendations that can be made for female athletes. These include advice regarding methods to assess sleep and provide interventions based on resource availability, monitoring and managing menstrual cycle symptoms and menstrual dysfunction, and consideration of mitigating strategies to reduce the effects on known sleep disruptors. Many female footballers navigate unique challenges related to sleep; however, with appropriate support from coaches and sport science and sports medicine practitioners, an appropriate support network can be provided to not only optimise performance, but the physical and mental health of female athletes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».