Effect of jumping interval training on neuromuscular and physiological parameters: a randomized controlled study
Notice bibliographique
Résumé
This study analyzed the effect of 4 weeks of jumping interval training (JIT), included in endurance training, on neuromuscular and physiological parameters. Eighteen recreational runners, randomized in control and experimental groups, performed 40 min of running at 70% of velocity at peak oxygen uptake, for 3 times per week. Additionally, the experimental group performed the JIT twice per week, which consisted of 4 to 6 bouts of continuous vertical jumps (30 s) with 5-min intervals. Three days before and after the training period, the countermovement (CMJ) and continuous jump (CJ30), isokinetic and isometric evaluation of knee extensors/flexors, progressive maximal exercise, and submaximal constant-load exercise were performed. The JIT provoked improvement in neuromuscular performance, indicated by (i) increased jump height (4.7%; effect size (ES) = 0.99) and power output (≈ 3.7%; ES ≈ 0.82) of CMJ and rate of torque development of knee extensors in isometric contraction (29.5%; ES = 1.02); (ii) anaerobic power and capacity, represented by the mean of jump height (7.4%; ES = 0.8), and peak power output (PPO) (5.6%; ES = 0.73) of the first jumps of CJ30 and the mean of jump height (10.2%, ES = 1.04) and PPO (9.5%, ES = 1.1), considering all jumps of CJ30; and (iii) aerobic power and capacity, represented by peak oxygen uptake (9.1%, ES = 1.28), velocity at peak oxygen uptake (2.7%, ES = 1.11), and velocity corresponding to the onset of blood lactate accumulation (9.7%, ES = 1.23). These results suggest that the JIT included in traditional endurance training induces moderate to large effects on neuromuscular and physiological parameters.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».