MétaCan
Menu
Retour à la cohorte
Enregistrement W2134509149 · doi:10.1155/2015/563206

Relative Contribution of Arms and Legs in 30 s Fully Tethered Front Crawl Swimming

2015· article· en· W2134509149 sur OpenAlexfundno aff
Pedro Morouço, Daniel A. Marinho, Míkel Izquierdo, Henrique P. Neiva, Mário C. Marques

Notice bibliographique

RevueBioMed Research International · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensnon disponible
Organismes subventionnairesFederation for the Humanities and Social SciencesUniversidade da Beira Interior
Mots-clésFront crawlStroke (engine)AlgorithmMathematicsComputer sciencePhysicsSimulationMedicinePhysical medicine and rehabilitationThermodynamics

Résumé

récupéré en direct d'OpenAlex

The relative contribution of arm stroke and leg kicking to maximal fully tethered front crawl swimming performance remains to be solved. Twenty-three national level young swimmers (12 male and 11 female) randomly performed 3 bouts of 30 s fully tethered swimming (using the whole body, only the arm stroke, and only the leg kicking). A load-cell system permitted the continuous measurement of the exerted forces, and swimming velocity was calculated from the time taken to complete a 50 m front crawl swim. As expected, with no restrictions swimmers were able to exert higher forces than that using only their arm stroke or leg kicking. Estimated relative contributions of arm stroke and leg kicking were 70.3% versus 29.7% for males and 66.6% versus 33.4% for females, with 15.6% and 13.1% force deficits, respectively. To obtain higher velocities, male swimmers are highly dependent on the maximum forces they can exert with the arm stroke (r = 0.77, P < 0.01), whereas female swimmers swimming velocity is more related to whole-body mean forces (r = 0.81, P < 0.01). The obtained results point that leg kicking plays an important role over short duration high intensity bouts and that the used methodology may be useful to identify strength and/or coordination flaws.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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)0,0010,000

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 Opus0,133
Tête enseignante GPT0,429
Écart entre enseignants0,296 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations87
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioMed Research InternationalMême sujetSports Performance and TrainingTravaux en français237 207