Efficacy of Horizontal Jumping Tasks as a Method for Talent Identification of Female Rugby Players
Notice bibliographique
Résumé
The purpose of this study was to explore the relationship between horizontal jumping tasks (standing long jump [SLJ] and standing triple jump [STJ]) and sprint speed (initial sprint speed [ISS] and maximum sprint speed [MSS]) in elite female rugby athletes. Data were collected from provincial, under 20 international fifteens players, in addition to senior sevens international level female rugby athletes (n = 114). Body weight, SLJ, STJ, 10-m sprint speed (ISS), 30- to 40-m sprint speed (MSS), initial sprint momentum, and maximal sprint momentum were analyzed. When categorized by horizontal jumping ability, there was a significant difference in sprint speeds (p < 0.001) between the top 50% and bottom 50% groups. Examining the relationship between horizontal jumping tasks and sprinting speed revealed a stronger correlation in the slowest 50% of athletes compared with the fastest 50%. A linear regression developed from STJ and body weight adequately predicted ISS (r = 0.645, p < 0.001) and MSS (r = 0.761, p < 0.001). In conclusion, horizontal jumping tasks can be used as a valuable performance test to identify differences of sprinting ability in elite female rugby players. However, the relationship between horizontal jumping tasks and sprinting speed seems to decrease in faster athletes. Further, STJ and body weight can be used to predict both ISS and MSS. Based on these data, it is suggested that only STJ be collected when identifying potential sprinting talent in female rugby athletes and caution be used when generalizing results across varying levels of athletes.
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 | 0,004 | 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 | 0,000 |
| 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 ».