Effect of optimal cycling repeated-sprint combined with classical training on peak leg power in female soccer players
Notice bibliographique
Résumé
BACKGROUND: Muscle power is one of the most important factors influencing sport performance. Despite the variety of training methods used in the literature, more individualised, varied and enjoyable methods are needed to enhance muscle peak power in soccer. OBJECTIVE: To assess the effect of short-sprint cycle ergometer training on peak power output and field performance of female soccer players. METHODS: 7 female soccer players (age: 20.2 ± 1.5 (years); body mass: 55.1 ± 6.1 (kg); height: 1.61 ± 0.06 (m)) served as an experimental group, and seven female soccer players (age: 19.4 ± 1.5(years); body mass: 65.2 ± 6.1 kg; height: 1.69 ± 0.08 m) as a control group. Peak power output (� peak) during a cycle ergometer force-velocity test and field performance (5-jump test and speeds over 10, 20 and 30 m) were assessed both before and after training (3 months duration, with 3 sessions per week). Each training session comprised 2 series of 15 sprints, separated by a 15 min recovery interval. Individual sprints were of 5 sec duration, at the optimal pedalling velocity for the subject (100–110 rpm) and against the optimal frictional loading equal of the subject(7.5%–8.5% of body mass); a recovery period of 55 sec was allowed between sprints. RESULTS: The training regimen induced gains of peak power (p< 0.05), whether expressed in �, �/kg, or relative to leg muscle volume (�/l). There were also gains in 5-jump (p< 0.01), and 20 and 30 m sprint velocities (p< 0.01). Findings in the control participants remained unchanged. CONCLUSION: When combined with traditional soccer training, repeated short sprints on a cycle ergometer offer an effective strategy for enhancing leg power in female Tunisian soccer players.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».