Análisis del efecto relativo de la edad (RAE) en función de la categoría de competición en el fútbol español
Bibliographic record
Abstract
Los grupos o categorías deportivas se dividen habitualmente por años naturales, esto implica que puedan existir diferencias en la edad cronológica entre dos deportistas, este efecto es conocido como Efecto de la Edad Relativa. El RAE aumenta su efecto cuando existe una fuerte competencia por las plazas (Aramendi, 2004). Este estudio pretende comprobar el RAE en el futbol español a nivel profesional en la temporada 2018-19 utilizando una muestra de 472 futbolistas, además de analizar sus categorías inferiores, con una muestra de 106 jugadores sub-14, 145 jugadores sub-16 y 128 jugadores sub-19. Los resultados del estudio confirman el RAE en la Liga Santander durante la temporada 2018-19 donde un 60% de los jugadores son nacidos en el primer semestre del año. Además, los resultados muestran como estos datos aumentan en las categorías inferiores siendo un 78% en infantiles los jugadores nacidos en el primer semestre del año. En todas las categorías se observó una diferencia estadísticamente significativa entre el primer semestre del año respecto al segundo y del primer trimestre respecto al tercer y cuarto trimestre.Por ello es importante valorar las posibles soluciones a este efecto, ya que estamos dejando escapar jugadores con un talento potencial porque no compiten en igualdad de condiciones por su mes de nacimiento.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| 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".