Bibliographic record
Abstract
Nachdem sich unser Heft 4 mit dem richtigen Maß an Bewegung befasst hat, geht es nun um die optimale Gewebebelastung in der Rehabilitation. Sämtliche Gewebe reagieren auf mechanische Belastung mit Anpassung und Erhöhung der Belastungstoleranz. Die entscheidende Frage bei der Therapie und Rehabilitation ist die nach der optimalen Belastung, um das bestmögliche Behandlungsergebnis zu erzielen. Denn Belastungsaufbau und Training sind mehr denn je die wichtigsten Maßnahmen der Sportphysiotherapie und das Hauptwerkzeug eines jeden Sportphysiotherapeuten. Das vorliegende Heft soll mithelfen, die richtigen Belastungsvariablen zu bestimmen und Gewebeadaptationen zu verstehen. Nach einer Übersicht zum Thema „Optimal Loading“ befassen sich zwei Autorenteams mit der optimalen Belastung nach Muskelverletzungen und Sehnenüberlastungen. Beide im Sinne eines frühen, progressiven und gewebespezifischen Aufbaus und auf der Grundlage aktueller Forschungsergebnisse. Die Idee zum Heft entstand beim „2nd World Congress of Sports Physical Therapy“ vor einem Jahr in Belfast, und es freut mich, dass wir in dieser Ausgabe der Sportphysio einige der Hauptthemen dieses tollen Kongresses nochmals aufgreifen und vertiefen können und dass wir mit Philip Glasgow einen der Hauptredner des Kongresses für den Einführungsartikel gewinnen konnten. Das Sportphysio-Team wünscht euch viel Spaß beim Lesen und frohe Festtage – ganz im Sinne des richtigen Maßes an Belastung und Erholung. Martina Leusch und das Sportphysio-Herausgeberteam LINK ZUM WELTKONGRESS DER IFSPT Vielleicht bekommen ja einige Leser Lust darauf, den nächsten Weltkongress in Vancouver, Kanada, zu besuchen. Über diesen Link geht es direkt auf die Seite der International Federation of Sports Physical Therapy (IFSPT).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".