Comparisons Between Off-ice Fitness And Body Composition Profiles Of Canadian Interuniversity Hockey Players
Notice bibliographique
Résumé
PURPOSE: Strength and performance coaches often use overall body-composition measures to help assess, monitor, or predict an athlete’s fitness attributes or sport performance. Dual energy x-ray absorptiometry (DXA) evaluates full, and regional body-composition profiles (i.e. fat, lean and total tissue) of the arm, leg, android, and gynoid regions. The purpose was to determine if a regional body composition analysis provides greater insight into the off-ice fitness levels of elite Canadian interuniversity hockey players, compared to a full body-composition evaluation. METHODS: All 26-players completed a pre-season DXA scan and team fitness evaluation. Eight fitness tests were completed (i.e., t-test, flexibility, bench press 150lbs & 200lbs, 40 yard sprint, single-leg triple jump, grip, 300 meter shuttle) and were compared to the player’s whole-body, and regional body-composition using Pearson r correlations. RESULTS: Arm total mass was most correlated to bench press 150 and 200 respectively (r = 0.629, p < .01., r = 0.724, p < .01), as well as android lean tissue (r = 0.482, p < .05., r = 0.535, p < .01), and total full-body tissue (r = .414, p < .05., r = .500, p < .01). Greater lean leg tissue showed a positive association with single-leg triple jump distance (r = .461, p < .05), but no associations involving total or fat tissue were found with the test. Leg and gynoid fat percentages were the only regional measures correlated to longer 300m shuttle times (r = .590, p < .01). No composition measures were predictive of flexibility or the overall speed tests (i.e. T-Test, 40 yard sprint). CONCLUSIONS: While body composition profiles can be of interest to athletes and coaches, the regional ratio of fat-to-lean tissue does not appear to be a strong indicator of general fitness scores in university hockey players. Anthropometric measures and body-composition profiles help monitor athlete development, but should not be used to make generalizations regarding an athlete’s strength, power or anaerobic capabilities.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».