The Effect of Trunk Stability Training on Vertical Takeoff Velocity
Notice bibliographique
Résumé
STUDY DESIGN: Randomized controlled trial with repeated measures. OBJECTIVES: To determine the effect of trunk stability training on vertical takeoff velocity. BACKGROUND: Trunk stability training is commonly used in sports training programs; however, the effects of stability training on performance enhancement are not known. Trunk stability training may provide a more stable pelvis and spine from which the leg muscles can generate action, may better link the upper body to the lower body, or may enhance leg muscle activation, thus promoting optimal force production during sporting activities such as a vertical jump. METHODS AND MEASURES: Fifty-five athletes were randomly assigned to 1 of 4 training groups: trunk stability (TS), leg strength (LS), trunk stability and leg strength (TL), and control (CO). Subjects were tested 3 times: at pretraining, after 3 weeks of training, and after 9 weeks of training. A repeated-measures analysis of covariance (ANCOVA) was used to examine differences among groups for vertical takeoff velocity measured indirectly using a force plate. Pretraining takeoff velocity and body mass were used as covariates. RESULTS: After 3 and 9 weeks, the training groups were not different from each other. After 9 weeks of training, all 3 training groups had a greater takeoff velocity than the control group (P<.05). After 3 weeks of training only the TS group had a greater takeoff velocity than the control group (P<.05). Only the TL group increased significantly in vertical takeoff velocity between the third- and ninth-week testing periods (P<.05). CONCLUSIONS: Nine weeks of trunk stability training was similarly effective in enhancing vertical takeoff velocity as leg strength training or the combination of trunk stability and leg strength training.
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 | 0,001 |
| 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 ».