MétaCan
Menu
Retour à la cohorte
Enregistrement W2415868734 · doi:10.1080/02640414.2016.1189587

Comparing para-rowing set-ups on an ergometer using kinematic movement patterns of able-bodied rowers

2016· article· en· W2415868734 sur OpenAlexafffund
Bradley Cutler, Tammy Eger, Thomas Merritt, Alison Godwin

Notice bibliographique

RevueJournal of Sports Sciences · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensLaurentian University
Organismes subventionnairesOntario Ministry of Tourism, Culture and Sport
Mots-clésRowingKinematicsPhysical medicine and rehabilitationTrunkBiomechanicsPhysical therapyShouldersMedicineAthletesRange of motionLumbarSurgeryAnatomy

Résumé

récupéré en direct d'OpenAlex

While numerous studies have investigated the biomechanics of able-bodied rowing, few studies have been completed with para-rowing set-ups. The purpose of this research was to provide benchmark data for handle kinetics and joint kinematics for able-bodied athletes rowing in para- rowing set-ups on an indoor ergometer. Able-bodied varsity rowers performed maximal trials in three para-rowing set-ups; Legs, Trunk and Arms (LTA), Trunk and Arms (TA) and Arms and Shoulders (AS) rowing. The handle force kinetics of the LTA stroke were comparable to the values for able-bodied literature. Lumbar flexion at the catch, extension at the finish and total range of motion were, however, greater than values in the literature for able-bodied athletes in the LTA set-up. Additionally, rowers in TA and AS set-ups utilised more extreme ranges of motion for lumbar flexion, elbow flexion and shoulder abduction than the LTA set-up. This study provides the first biomechanical values of the para-rowing strokes for researchers, coaches and athletes to use while promoting the safest training programmes possible for para-rowing.

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 enseignants0,002
Score d'incertitude au seuil0,006

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 ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,120
Tête enseignante GPT0,350
Écart entre enseignants0,231 · 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

Citations8
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Sports SciencesMême sujetSports Performance and TrainingTravaux en français237 207