Analyse des tendances de la migration professionnelle des joueurs de la Ligue nationale de hockey (LNH) de 1969 à 2020
Bibliographic record
Abstract
De nombreux travaux en démographie appliquée ont été réalisés dans le passé, entre autres au Québec, tels que des études portant sur la mortalité des médecins et des députés du Québec (Azeredo Teixeira et Bourbeau, 2017 ; Bourbeau et Émond, 1996). Cependant, à notre connaissance, très peu d’études se sont penchées sur la migration des athlètes et encore moins sur la migration de joueurs de la Ligue nationale de hockey (LNH). Pourtant, ces athlètes sont également exposés à une certaine forme de migration, à savoir le changement de leur lien d’appartenance à une équipe tout au long de leur carrière. L’objectif de cette étude est d’identifier les tendances de la migration professionnelle des joueurs de la LNH de 1969 à 2020, ainsi que d’identifier les caractéristiques liées à cette migration. Les analyses tiennent compte du caractère volontaire (joueur qui a le statut d’agent libre) ou involontaire (joueur échangé) de la migration. L'étude analyse les migrations de ces joueurs professionnels en utilisant la matrice origine-destination, le modèle de risque et de durée de Cox, le modèle à événements multiples, et la régression logistique. Les résultats indiquent que les joueurs sélectionnés après la première ronde du repêchage annuel de la LNH ont un risque significativement plus élevé de quitter leur première équipe d’appartenance par rapport aux joueurs sélectionnés en première ronde. Ce constat persiste en début de carrière pour les joueurs sélectionnés à partir du quatrième tour ou ceux non sélectionnés. De plus, les joueurs moins performants et non sélectionnés en première ronde ont plus de chances de migrer volontairement lors de leur première migration suggérant que celle-ci puisse résulter d’un manque d’intérêt des autres équipes pour un échange (migration involontaire) ou du choix de l’équipe de ne pas retenir les services du joueur. Le moment et le rang de la migration, ainsi que le lieu de naissance sont aussi des aspects que l’on doit considérer. Par exemple, par rapport aux joueurs nés au Québec, ceux nés en Ontario ont un risque significativement plus faible de migrer une deuxième fois alors que c’est l’inverse pour une première migration. Ces conclusions permettront aux jeunes hockeyeurs qui rêvent un jour atteindre la LNH de mieux comprendre le profil de la carrière d’un joueur professionnel. Elles pourraient aussi servir aux agents de joueurs qui y trouveront sûrement quelques éléments qui démontrent le caractère incertain de la carrière de leurs clients.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".