Over-the-counter medication usage and knowledge of anti-doping in English football league players: a questionnaire-based study
Bibliographic record
Abstract
Introducción: Los atletas profesionales muestran insuficiente conocimiento sobre el uso de medicamentos de venta libre (MVL) y las sanciones por dopaje. A la fecha, no hay literatura publicada que describa el uso de MVL en futbolistas. El objetivo del estudio fue describir el uso de MVL y los conocimientos de los futbolistas sobre el antidopaje en la liga de fútbol inglesa (EFL). Métodos: Estudio transversal a futbolistas de tres equipos profesionales de la EFL. El conocimiento de antidopaje y uso de MVL se evaluó con 12 y 6 preguntas respectivamente. Resultados: 57 futbolistas completaron el cuestionario. El 47% de los jugadores utilizó MVL durante la temporada. Los medicamentos utilizados con mayor frecuencia fueron analgésicos (38%) y antiinflamatorios (24%). Las farmacias fueron el lugar más común donde los jugadores obtuvieron MVL (44%). Solo el 32% de los participantes informó buscar asesoramiento antes del uso de medicamentos y verificaba ingredientes previo al consumo. Se encontró un coeficiente de correlación positivo moderado (r = 0,46, p <0,01) entre el número de respuestas correctas en preguntas de antidopaje y mayor cautela con respecto al uso de MVL. Conclusión: Los futbolistas que demostraron mayor conocimiento de antidopaje fueron más cautelosos con el uso de MVL.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".