MétaCan
Menu
Retour à la cohorte
Enregistrement W2138300438 · doi:10.1123/ijspp.2.4.439

The Application of Postactivation Potentiation to Elite Sport

2007· article· en· W2138300438 sur OpenAlexaff
David Docherty, Matthew Hodgson

Notice bibliographique

RevueInternational Journal of Sports Physiology and Performance · 2007
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésPlyometricsTraining (meteorology)PopularitySession (web analytics)Physical medicine and rehabilitationPsychologyPerformance enhancementPhysical therapyApplied psychologyComputer scienceMedicineSocial psychology

Résumé

récupéré en direct d'OpenAlex

Recently there has been considerable interest and research into the functional significance of postactivation potentiation (PAP) on sport performance. The interest has evolved around the potential for enhancing acute performance or the long-term training effect, typically in the form of complex training. Complex training usually involves performing a weight-training exercise with high loads before executing a plyometric exercise with similar biomechanical demands. Despite a considerable amount of research in the past 10 years it would seem there is still much research to be done to fully determine whether PAP has a functional role and, if so, how to best exploit it. It is clear from the research that there are many factors that need to be considered when attempting to apply PAP to an athlete. It is possible that a well-conceived sport-specific warm-up might be as or more effective in enhancing acute performance and easier to apply in a practical setting. In addition, despite its current popularity, there has not been 1 study that has effectively examined the efficacy of complex training and whether it has any advantage over other forms of training that combine weight training and plyometrics but not in the same training session.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,007
Tête enseignante GPT0,282
Écart entre enseignants0,276 · 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

Citations130
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sports Physiology and PerformanceMême sujetSports Performance and TrainingTravaux en français237 207