A Modelling of the Effect of Biomotor Capabilities on the Special Ablitiy Test Course
Notice bibliographique
Résumé
The aim of this study is to evaluate some bio motor capabilities which are thought to have an effect on SpecialAbility Test Course (SATC) test scores applied as an entrance exam in the School of Physical Education and Sports(SPES). 70 participants who were successful in the SATC (51 male (181 ± 5.5 cm, 73.9 ± 9.8 kg) and 19 female (165± 5.6 cm, 54.7 ± 6.49 kg) were included in the study. The bio motor capability performances of the participants, suchas speed (10 m, 20 m, 30 m, 100 m sprint), agility (T-test, 505 agility test), and anaerobic power (Sargent verticaljump test) were measured two weeks after the SATC tests. The performances of the participants in the 2018 SATC ofthe Tekirdag Namik Kemal University SPES were used as the scores of the SATC. The mean of a difference test, acorrelation analysis, and a multiple linear regression analysis were used as the statistical method (p<0,05). Whilethere was a significant positive correlation between the SATC agility (r = 799 **) and speed (r = 895 **) scores,there was a negative correlation between SATC scores and anaerobic power output (r = -719 **). Statistical analysiswas performed by taking the gender factor into account in the linear regression estimation due to the significantdifference (p <0.05) between the SATC scores according to the gender variable. The bio motor capabilities of themale participants, which contributed the most to the SATC scores, were determined as 505 agility (Beta = 424) and30 m (Beta = 379) speed (SATC Male=-9.992 + (10.478 x 505 test) + (6.742 x 30 m). However, the bio motorcapabilities of the female participants did not contribute to the SATC scores.
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 | 0,001 | 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) | 0,002 | 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 ».