The Effects of Functional Training on Some Biomotor Abilities and Physiological Characteristics in Elite Soccer Players
Notice bibliographique
Résumé
Soccer game or a soccer match includes functional movements that require complex muscular balance including stopping, walking, jogging, sprint with dribbling, shooting and passing (Eniseler, 1994; Boyle, 2004). Functional training contribute to the different systems of the body through functional exercises performed in different parts of the body (covering the whole body, improving universal motor skills, applied in multiple motion planes) through intensive, short and constantly changing sessions. The aim of this study was to investigate the effects of functional training on some physiological and Biomotor Abilities in elite soccer players. Athletes were randomly divided into two groups as Traditional Training Group (TTG) and Functional Training Group (FTG). For eight weeks, TTG athletes were trained five days per week for classical soccer training while FTG athletes were trained with functional training two days a week in addition to this training. Table 4 shows that the effect of pre-test from post-test and present an adjusted post-test mean and determine the difference of the adjusted post-test mean of two groups. According to the ANCOVA results, differences were not found statistically significant (p>0.05). As a result, in this study, which aimed to investigate the effects of functional training on some physiological and bio-motor properties in elite soccer players, it was determined that functional training method had a positive effect on some physiological and bio-motor properties of pre- and post-test values in soccer players, however to determine the difference of the adjusted post-test mean of two groups, ANCOVA results show that differences were not found statistically significant.
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 ».