Injuries and Risk Taking in Alpine Skiing
Notice bibliographique
Résumé
The purpose of this study was to investigate the relation between motivation toward alpine skiing, attitude toward risk-taking behavior, risk-taking behavior, and injury incidence. Participants were skiers over eleven years of age. They completed a questionnaire that investigated skill level, sources of motivation toward alpine skiing, attitude toward risktaking behavior, and risk-taking behavior. A MANOVA was performed to compare three groups of skiers: (1) 163 skiers caught on the slope while performing a voluntary thrill-seeking behavior that could directly or indirectly lead to a sequence of events frequently associated to injuries (RISK TAKING); (2) 190 injured skiers (INJURED); and (3) 219 randomly selected skiers (UNINJURED). Significant differences were found between the three groups on age and skill level (p < 0.001). Skiers from the RISK TAKING group were younger (19.9 years old) than those from the INJURED group (24.7 years old) who were in turn younger than the UNINJURED group (30.7 years old). Skiers from the INJURED group were the least skilled, while those from the RISK TAKING group were the most skilled (p < 0.001). No differences were found between the INJURED and the UNINJURED groups on their source of motivation for skiing and their attitude toward risk taking. However, skiers from the RISK TAKING group were significantly different than the other two groups on those cognitive variables. They perceived the risky behaviors presented in vignettes as being less dangerous than skiers from the UNINJURED and the INJURED groups. These results suggest that in future prevention programs, the emphasis should be placed on the development of skiing technique among the lowskilled skiers. It also questions the strategy of targeting risk takers in prevention campaigns.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».