Le temps psychologique et l’engagement dans l’évaluation des commotions cérébrales
Bibliographic record
Abstract
Plusieurs chercheurs et professionnels de la santé soulignent l’importance d’améliorer la validité écologique des outils de détection des commotions cérébrales (CC), notamment en pratique sportive afin de susciter davantage l’engagement des athlètes envers le processus d’évaluation. Le développement d’une nouvelle approche de détection de CC a permis d’identifier la perception de la durée de l’évaluation comme un facteur potentiellement déterminant de l’engagement. La présente étude vise à déterminer s’il existe une relation entre l’engagement de l’individu et la durée perçue d’une tâche en fonction de sa structure segmentée ou non segmentée. Pour ce faire, le visionnement de séquences de jeu de soccer via l’application de Simulation ENgageante Immersive et Cognitive (SENIC) est effectué par deux échantillons de 22 étudiants-athlètes du Rouge et Or de l’Université Laval. À la lumière des résultats, il ne semble pas avoir d’influence significative de la segmentation de la tâche sur l’engagement auto-rapporté des participants ni sur l’expérience temporelle subjective. De plus, ces deux dernières variables ne présentent pas de corrélation significative. Les résultats de cette étude contribueront à rendre les outils de détection des CC plus engageants, rendant la performance des athlètes plus représentative de leur pratique sportive. C’est en comprenant le lien entre la performance et la réaction des athlètes au test SENIC qu’il serait possible d’améliorer le suivi des CC dans le domaine du sport.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".