Increased Athletic Performance in Lighter Basketball Shoes: Shoe or Psychology Effect?
Notice bibliographique
Résumé
PURPOSE: To determine the effect of shoe mass on performance in basketball-specific movements and how this affects changes if an athlete is aware or not of the shoe's mass relative to other shoes. METHODS: In an experimental design, 22 male participants were assigned to 2 groups. In the "aware" group, differences in the mass of the shoes were disclosed, while participants in the other group were blinded to the mass of shoes. For both groups lateral shuffle-cut and vertical-jump performances were quantified in 3 different basketball-shoe conditions (light, 352 ± 18.4 g; medium, 510 ± 17 g; heavy, 637 ± 17.7 g). A mixed ANOVA compared mean shuffle-cut and vertical-jump performances across shoes and groups. For blinded participants, perceived shoe-weight ratings were collected and compared across shoe conditions using a Friedman 2-way ANOVA. RESULTS: In the aware group, performance in the light shoes was significantly increased by 2% (vertical jump 2%, P < .001; shuffle cut 2.1%, P < .001) compared with the heavy shoes. In the blind group, participants were unable to perceive the shoe-weight variation between conditions, and there were no significant differences in vertical-jump and shuffle-cut performance across shoes. CONCLUSIONS: Differences in performance of the aware participants were most likely due to psychological effects such as positive and negative expectancies toward the light and heavy shoes, respectively. These results underline the importance for coaches and shoe manufacturers to communicate the performance-enhancing benefits of products or other interventions to athletes to optimize their performance outcome.
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 | 0,000 | 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 ».