The Effect of Sequence of Skating-Specific Training on Skating Performance
Notice bibliographique
Résumé
PURPOSE: To determine the effectiveness of a progressively "skating specific" periodized off-season training program on skating performance in competitive hockey players. METHODS: Twenty (M = 18; F = 2) highly skilled hockey players (age 15.9 +/- 1.5 yr) completed 16 wk of standardized resistance and stability training supplemented with either off-ice simulated skating using the SkateSIM (SIM) or plyometric training (PLY) in a crossover design. Group 1 (PLY-SIM; N = 11) completed 8 wk of PLY followed by 8 wk of SIM. Group 2 (SIM-PLY; N = 9) completed 8 wk of SIM followed by 8 wk of PLY. Subjects completed on- and off-ice testing PRE, MID, and POST training. RESULTS: Significant improvements in on-ice 35-m skating sprint (1.0%; P = .009) with significant improvements of 5% to 12% in various off-ice testing measures were observed PRE-MID in both groups. While few off-ice tests improved MID-POST, on-ice 35-m skating sprint times improved MID-POST by 2.3% (P = .000) with greater improvement in PLYSIM (3.5%) versus SIM-PLY (0.8%; P < .002). Off-ice 30-m sprint (r = 0.56; P = .010) and Edgren side shuffle (r = -0.46; P < .040) were the only off-ice tests that significantly correlated to improvements in on-ice skating sprint performance. CONCLUSION: The initial gains PRE-MID and then the lack of improvement in many off-ice tests from the MID-POST supports the principle of diminishing returns in response to standardized resistance training. The improvement in on-ice skating sprint performance when supplemental training progressed in specificity supports the principle of specificity and promotes transfer to a complex sporting movement such as skating.
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 | 0,001 | 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 | 0,000 |
| 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 ».