Efficacy of downhill running training for improving muscular and aerobic performances
Notice bibliographique
Résumé
This study investigated effects of downhill (DR) versus level (LR) running training on various muscular and aerobic performances. Eighteen healthy young males conducted either DR (DR group (DRG), n = 10: –10% slope) or LR (LR group (LRG), n = 8) training at a target heart rate (HR) associated with lactate threshold (LT) for 20 min·session −1 , 3 sessions·week −1 , for 5 weeks. Before and after the interventions, the following variables were measured: knee extension torque (–150, –30, 0, 30, 150°·s −1 ), leg extension power (simultaneous hip and knee extension: 0.8 m·s −1 ), squat and countermovement jump height, rebound jump index (jump height·contact time −1 ), 20-m linear sprint and change-of-direction (Pro-agility and V-cut tests) time, and aerobic capacity (maximal oxygen uptake, energy cost at LT, and velocity at maximal oxygen uptake and LT) on a level surface. Throughout the training sessions, HR during running did not differ between the groups (DRG: 77.7% ± 4.6% vs LRG: 76.4% ± 4.6% of maximal HR; average across all sessions), while velocity was significantly higher for DRG (14.5 ± 1.1 vs 12.0 ± 1.9 km·h −1 ). After the training, DRG significantly improved knee extension torque at all angular velocities (9%–24%) and change-of-direction time for both tests (2%–3%), with no changes in other parameters. LRG significantly improved maximal oxygen uptake (5%), energy cost at LT (3%), and velocity at maximal oxygen uptake (7%), without changes in others. These results suggest that DR training has a greater potential to improve the knee extension strength and change-of-direction ability, but has little effect on the aerobic capacity, compared with HR-matched LR training.
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 ».