Which Measure of Drop Jump Performance Best Predicts Sprinting Speed?
Notice bibliographique
Résumé
The purpose of this study was to evaluate which measure of a drop jump (DJ) has the highest correlation with sprinting speed over 60 m. For use of comparison, maximal leg strengths in a front squat, countermovement jump, and squat jump were also assessed. The subjects in the study were all high-caliber female university rugby players. Subjects did DJs from 0.12, 0.24, 0.36, 0.48, 0.60, 0.72, and 0.84 m. Jump height and reactive strength index (RSI) were calculated at each drop height. Pearson correlations were used to analyze the relationship between the strength and jumping measures with sprinting speed. The DJ height from 0.84 m had the highest negative correlation with 0- to 10-m split (r = -0.66), the 10- to 30-m split (r = -0.86) and 30- to 60-m split (r = -0.86). The use of RSI is questioned as a measurement of DJ performance. It is suggested that maximal height achieved in a DJ is the most important DJ measure. If it is desired to measure ground contact time, then it may be more useful to use a second test where the jump height for the athlete is set by having the athlete jump onto a box or touch a target overhead set at a standard height and measure the ground contact time with a switch mat or force plate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».