MétaCan
Menu
Retour à la cohorte
Enregistrement W2989838120 · doi:10.1080/14763141.2019.1646796

Effects of shank mass manipulation on sprinting techniques

2019· article· en· W2989838120 sur OpenAlexaff
Cui Zhang, Bing Yu, Chen Yang, Jiabin Yu, Yuliang Sun, Donghai Wang, Keyi Yin, Wei Zhuang, Yu Liu

Notice bibliographique

RevueSports Biomechanics · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensMcGill University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésKinematicsKnee flexionMathematicsHip flexionPhysical medicine and rehabilitationPhysical therapyMedicinePhysicsRange of motion

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to determine the effects of shank mass manipulation on the sprinting technique in maximal-speed sprinting. Sixteen well-trained male athletes sprinted with and without an additional 15% of shank mass attached to the shank centre of mass. Kinematic data were collected using a 12-camera motion analysis system and analysed using linear regression analyses with categorical variables and paired t-tests. The sprinting speed (p < 0.01), knee flexion angle at landing (p = 0.028), and maximum hip flexion angular velocity (p = 0.029) decreased; contact time (p < 0.01) increased; and step length, step frequency, and other analysed technique measures of maximal-speed sprinting were unchanged (p ≥ 0.12) with shank mass manipulation, compare with no manipulation. The relationships of sprinting speed with critical linear and angular kinematics at landing, take-off and swing in maximal-speed sprinting were not affected by the shank mass manipulation. These results suggest that 15% shank mass manipulation does not change the sprinting technique of well-trained male athletes in maximal-speed sprinting. This supports the use of shank mass manipulation as a training method for well-trained sprinters; however, a change in correlations between sprinting speed and technique measures should be considered during such 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,200
Score d'incertitude au seuil0,453

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,243
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSports BiomechanicsMême sujetSports Performance and TrainingTravaux en français237 207