Effect of Plyometric vs. Dynamic Weight Training on the Energy Cost of Running
Notice bibliographique
Résumé
The purpose of this study is to compare the effects of 2 strength training methods on the energy cost of running (Cr). Thirty-five moderately to well-trained male endurance runners were randomly assigned to either a control group (C) or 2 intervention groups. All groups performed the same endurance-training program during an 8-week period. Intervention groups added a weekly strength training session designed to improve neuromuscular qualities. Sessions were matched for volume and intensity using either plyometric training (PT) or purely concentric contractions with added weight (dynamic weight training [DWT]). We found an interaction between time and group (p < 0.05) and an effect of time (p < 0.01) for Cr. Plyometric training induced a larger decrease of Cr (218 +/- 16 to 203 +/- 13 ml.kg.km) than DWT (207 +/- 15 to 199 +/- 12 ml.kg.km), whereas it remained unchanged in C. Pre-post changes in Cr were correlated with initial Cr (r = -0.57, p < 0.05). Peak vertical jump height (VJHpeak) increased significantly (p < 0.01) for both experimental groups (DWT = 33.4 +/- 6.2 to 34.9 +/- 6.1 cm, PT = 33.3 +/- 4.0 to 35.3 +/- 3.6 cm) but not for C. All groups showed improvements (p < 0.05) in Perf3000 (C = 711 +/- 107 to 690 +/- 109 seconds, DWT = 755 +/- 87 to 724 +/- 77 seconds, PT = 748 +/- 81 to 712 +/- 76 seconds). Plyometric training were more effective than DWT in improving Cr in moderately to well-trained male endurance runners showing that athletes and coaches should include explosive strength training in their practices with a particular attention on plyometric exercises. Future research is needed to establish the origin of this adaptation.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».