The Effect of the Relationship among Leg Volume, Leg Mass and Flexibility on Success in University Student Elite Gymnasts
Notice bibliographique
Résumé
This study aims to analyze the effect of the relationship among leg volume, leg mass and flexibility on success inuniversity student elite gymnasts. It was conducted on Haliç University, Marmara University, Çukurova Universityand University of Kırşehir Ahi Evran gymnastics teams (male and female) which took part in Turkish IntercollegiateGymnastics Championship and, later, voluntarily participated in this study. While years of age, height and weight ofmale gymnasts participating in the study were 21.20±1.57, 174.00±4.57 and 67.60±6.46 kg, respectively, the samevalues were 21.00±2.65 years of age, 165.31±4.60 cm and 54.62±4.63 kg for female gymnasts, respectively.Spearman correlation analysis was performed using SPSS 22.0 package program for Windows, the level ofsignificance was taken as 0.05. The analysis results indicate a highly positive significant correlation (r=.761, p<0.001)between leg volume and leg mass in male gymnasts, a highly positive significant correlation (r=.674, p<0.01)between leg volume and leg mass in female gymnasts, a highly positive significant correlation (r=.795, p<0.001)between leg volume and leg mass in male and female gymnasts, a low positive significant correlation (r=.361,p<0.05) between leg volume and success in male and female gymnasts, and a moderate positive significantcorrelation (r=.463, p<0.05) between leg mass and success in male and female gymnasts. As a result, gymnastics as asport requires a combination of speed, strength, endurance, agility, and flexibility. Speed, strength, agility andflexibility are important parameters for training and performance. In addition, an optimal amount of leg volume(13000 ml, 14000 ml) and leg mass (13-14 kg) contribute to success in elite gymnasts.
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 | 0,002 | 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 ».