Mesures de suivi longitudinal au hockey professionnel : associations avec l’incidence de blessures
Bibliographic record
Abstract
Les blessures représentent un enjeu important au hockey professionnel, considérant qu’elles peuvent affecter la carrière des joueurs et la performance des équipes. Le suivi de la charge d’entraînement est fort utilisé récemment pour tenter d’optimiser la prévention de blessures. Les différents types de variables qui sont collectées et les méthodes de suivi qui ont été examinées dans la littérature scientifique seront présentés dans ce mémoire. À partir de ces informations, l’objectif sera d’étudier la relation entre les variations de charge externe, de bien-être et de traitement avec le risque de blessure en examinant les distributions et les variations observées du ratio aigu:chronique (A:C) dans les mesures de la charge d’entraînement chez les joueurs de hockey professionnels au cours d’une saison. Les données recueillies et analysées dans le cadre de ce mémoire montrent que les ratios A :C pour la douleur et les traitements étaient significativement associés à la période aiguë pré-blessure. En effet, une augmentation de 0.1 du A:C pour les traitements augmente la probabilité d’être en période aiguë pré-blessure de 1.6 fois, tandis qu’une augmentation de 0.1 du ratio A :C pour la douleur diminue la probabilité de 1.3 fois. Ces résultats renforcent l’importance d’un suivi étroit de l’athlète ainsi que d’une communication continue et régulière du personnel de soutien avec l’équipe d’entraîneurs, sachant que de petites variations dans les changements de douleurs perçues et du nombre de traitements peuvent être associées à la probabilité que l’athlète soit en période aiguë pré-blessure.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".