THE EFFECT OF RESISTANCE TRAINING WITH DIFFERENT WORKOUT FREQUENCY ON STRENGTH AND LEAN TISSUE MASS
Notice bibliographique
Résumé
Changes in muscle mass and strength will vary depending on the frequency of training, duration of workouts, exercise intensity, and recovery between subsequent workouts. PURPOSE The purpose of this study was to determine the effect of resistance training with different workout frequency on muscle strength (I-RM) and lean tissue mass. METHODS Twenty-nine untrained volunteers (27–58 yr: 23 female and 6 male) were randomly assigned to one of two groups in blocks based on gender. All subjects performed the same nine whole body resistance training exercises at each training session using free weights and pulley machines for 6 weeks. Subjects assigned to Group 1 (n = 15) trained 2x/wk and performed 3 sets of 10 repetitions for each of the 9 exercises, while subjects in Group 2 (n = 14) trained 3x/wk and performed 2 sets of 10 repetitions for each of the 9 exercises. The weight used for each exercise and session was self-selected and adjusted so that the required number of repetitions and sets could be completed. Training logs were kept for each subject and exercise session so that training volume could be calculated for each group. Before and after training. 1-RM bench press and leg press, and lean tissue mass (DXA) were measured. RESULTS Both groups increased 1-RM bench press strength (20–25%), 1-RM leg press strength (17–41%) and lean tissue mass (2.0–2.5%) with training (P < 0.05), with a trend for greater gains in 1-RM leg press in Group 2 (P= 0.056). Calculation of training volume indicated a higher total volume for Group 2, but this was not significant (P= 0.09). CONCLUSION These results indicate that a resistance training program involving two workout sessions per week was as effective as the same program performed three times per week when the same number of total repetitions and exercises were performed by beginner weightlifters. However, there was a trend towards greater improvements in 1-RM leg strength and training volume with three workout sessions per week.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,002 | 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 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 ».