Does the Amount of Jumping with Respect to Positions During Volleyball Matches Affect the Team Success at the End of the Season?
Notice bibliographique
Résumé
In many sports like volleyball, jumping, balance and explosive strength which are biomotor abilities have become more important day by day to succeed. Athletes focus on games at game period so the time that they spend for improving their biomotor abilities can be less. Therefore, performance that obtained in preparation period and sustaining that performance in whole season affect significantly team rank at the end of the season. In the lights of these informations, the affect of amount of jumps with respect to different positions was investigated in major league of Turkey in 2013-2014. There were 149 female volleyball players between the ages 17-27 (age 24.19 ± 2.42) in this study. 12 teams competed with each other and 125 games that is 455 sets were evaluated. Moreover; videos were analyzed three times by experts. Number of jumps in serve, block, spike and setting were recorded. Spearman Brown Order Differential Correlation Coefficient was used for determining the relations between dependent and independent variables and descriptive statistics in analyzing datum. In addition to this, Multiple Linear Regression Analysis was used for investigating regression level between independent and dependent variables. As a result of this, middle blockers jumped the most (M=155.86, SD=39.77) while opposites jumped the least (M=73.31, SD=23.49). The amount of jumps of wing spikers (r= -.130, p<.05) and middle blockers (r= -.185, p<.01) was negatively related with team success at the end of the season in low level. The total amount of jumps in different positions was negatively related with team success at the end of the season in low level too (r= -.156, p<.01). Setters, wing spikers, middle blockers and opposites were listed with respect to regression factor (ß) and their importance level for team success at the end of the league. In conclusion, number of jumps in different positions at game time affects team success positively.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,001 |
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.
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 ».