Scraping the Surface: A Guide to Data Collection Using Web Scraping in Sports Medicine
Notice bibliographique
Résumé
ABSTRACT: Pinkoski, AM, Ward, P, Kluzek, S, Arundale, AJH, and Bullock, GS. Scraping the surface: a guide to data collection using web scraping in sports medicine. J Strength Cond Res 39(12): e1473-e1479, 2025-Publicly obtained injury data, which can be combined with performance data for the team and individual, have become an attractive option in sports medicine research. Publicly obtained injury data are primarily collected through reading a website's source code and converting the results into a format that can be used for further analysis, a process known as web scraping. Despite its growing popularity and public domain in which data sources exist, studies that use these methods often do not disclose their methods of extraction and are subject to replicability issues. The adoption of Open Science practices through transparency of methods and sharing of code or data sets is one such manner to ensure reproducible and meaningful results across sports medicine research and applied settings. The purpose of this article was to (a) operationalize and describe data-scraping methods, (b) describe the strengths and weaknesses of data-scraping methods in an applied sports medicine setting, and (c) provide a practical example with adjoining data and code on how to use replicable and reliable data-scraping methods in applied sport settings.
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 | 0,064 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,094 | 0,100 |
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 ».