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 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 | 0,001 |
| 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) | 0,002 | 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 ».