MétaCan
Menu
Retour à la cohorte
Enregistrement W2092004191 · doi:10.1080/14763141003690237

Comparison of skating kinetics and kinematics on ice and on a synthetic surface

2010· article· en· W2092004191 sur OpenAlexafffund
Tyler James Leonard Stidwill, David J. Pearsall, René A. Turcotte

Notice bibliographique

RevueSports Biomechanics · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueWinter Sports Injuries and Performance
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésKinematicsIce hockeyAnkleAccelerationSimulationGeologyComputer scienceMathematicsMechanicsPhysical medicine and rehabilitationPhysicsAnatomyClassical mechanics

Résumé

récupéré en direct d'OpenAlex

The recent popularization and technological improvements of synthetic or artificial ice surfaces provide an attractive alternative to real ice in venues where the latter is impractical to install. Potentially, synthetic ice (SI) may be installed in controlled laboratory settings to permit detailed biomechanical analysis of skating manoeuvres. Unknown, however, is the extent to which skating on SI replicates skating on traditional ice (ICE). Hence, the purpose of this study was to compare kinetic and kinematic forward skating parameters between SI and ICE surfaces. With 11 male hockey players, a portable strain gauge system adhered to the outside of the skate blade holder was used to measure skate propulsive force synchronized with electrogoniometers for tracking dynamic knee and ankle movements during forward skating acceleration. In general, the kinetic and kinematic variables investigated in this study showed minimal differences between the two surfaces (P > 0.06), and no individual variable differences were identified between the two surfaces (P > or = 0.1) with the exception of greater knee extension on SI than ICE (15.2 degrees to 11.0 degrees; P < or = 0.05). Overall, SI surfaces permit comparable mechanics for on-ice forward skating, and thus offer the potential for valid analogous conditions for in-lab testing and 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,147
Score d'incertitude au seuil0,533

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,303
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSports BiomechanicsMême sujetWinter Sports Injuries and PerformanceTravaux en français237 207