Effects of In-Season Short-term Plyometric Training Program on Sprint and Jump Performance of Young Male Track Athletes
Notice bibliographique
Résumé
We studied the effect of supplementing normal in-season training by a 10-week lower limb plyometric training program (hurdle and depth jumping), examining measures of competitive potential (peak power output [PP], sprint running velocity, squat jump [SJ], countermovement jump [CMJ], drop jump [DJ], and lower limb muscle volume). The subjects (27 male track athletes, aged 11.9 ± 1.0 years; body mass: 39.1 ± 6.1 kg; height: 1.56 ± 0.02 m; body fat: 12.8 ± 4.4%) were randomly assigned between a control (normal training) group (C; n = 13) and an experimental group (E; n = 14) who also performed plyometric training 3 times per week. A force-velocity ergometer test determined PP and SJ, and an Optojump apparatus evaluated CMJ height and DJ (height and power). A multiple-5-bound test assessed horizontal jumping, and video-camera analyses over a 40-m sprint yielded velocities for the first step (VS), the first 5 m (V5m), and between 35 and 40 m (Vmax). Leg muscle volume was estimated anthropometrically. Experimental group showed gains relative to C in SJ height (p < 0.001); CMJ height (p < 0.01); DJ height and power relative to body mass (p < 0.01 for both); and all sprint velocities (p < 0.01 for VS and V(5m, p) ≤ 0.05 for Vmax). There was also a significant increase (p < 0.01) in thigh muscle volume, but leg muscle volume, thigh cross-sectional area, and PP remained unchanged. We conclude that adding plyometric training improved important components of athletic performance relative to standard in-season training in young runners.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».