MétaCan
Menu
Retour à la cohorte
Enregistrement W2316392119 · doi:10.5539/ies.v9n5p12

Muscle Strength and Flexibility without and with Visual Impairments Judoka’s

2016· article· en· W2316392119 sur OpenAlexvenueno aff
Önder Karakoç

Notice bibliographique

RevueInternational Education Studies · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGrip strengthFlexibility (engineering)Vertical jumpPhysical medicine and rehabilitationPhysical therapyAthletesHand strengthJumpPhysical strengthPsychologyMedicineMathematics

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to examine muscle strength and flexibility of Judoka with and without visual impairments. A total of 32 male national judoka volunteered to participate in this study. There were 20 male judoka without visual impairments (mean±SD; age: 19.20±5.76 years, body weight: 66.45±11.09 kg, height: 169.60±7.98 cm, sport age: 6.20±1.15 years). There were 12 male judoka with visual impairments (mean±SD; age: 24.50±4.06 years, body weight: 75.58±22.49 kg, height: 173.50±7.23 cm, sport age: 8.08±1.44years). Judoka were also assessed on several strength measurements including standing long jump, right hand grip, left hand grip, vertical jump, leg strength, sit-up and push up, and flexibility with sit and reach. We found significant differences between with and without visual impairments in leg strength, left and right hand grip and push-up (p<0.05). On the other hand, there was no significant difference between with visual and without impairments in vertical jump, sit-up, flexibility, and standing long jump (p>0.05). In conclusion, it is considered that visual impairment issue does not have negative effects on physical development and muscle power performance levels for ones doing judo sport because elite active athletes’ training levels are close to each other.

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 enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
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)0,0050,000

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 Opus0,045
Tête enseignante GPT0,410
Écart entre enseignants0,365 · 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

Citations11
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Education StudiesMême sujetSports Performance and TrainingTravaux en français237 207