MétaCan
Menu
Retour à la cohorte
Enregistrement W3006994157 · doi:10.1123/jab.2019-0115

Effect of Forefoot and Midfoot Bending Stiffness on Agility Performance and Foot Biomechanics in Soccer

2020· article· en· W3006994157 sur OpenAlexaff
Daniel J. Brinkmann, Harald Koerger, Albert Gollhofer, Dominic Gehring

Notice bibliographique

RevueJournal of Applied Biomechanics · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensAdidas (Canada)
Organismes subventionnairesnon disponible
Mots-clésForefootBiomechanicsBending stiffnessStiffnessTorsion (gastropod)OrthodonticsStructural engineeringBendingMedicineEngineeringAnatomySurgery

Résumé

récupéré en direct d'OpenAlex

Footwear bending stiffness is known to positively affect performance in agility maneuvers due to improved energy storage and propulsion based on a stiffer foot-shoe complex. However, the functional properties of the forefoot and midfoot differ. Therefore, the present study investigates the effect of the interface of longitudinal bending stiffness and the ratio of forefoot to midfoot bending stiffness on agility performance and foot biomechanics. A total of 18 male soccer players performed 2 agility tasks in footwear conditions that were systematically modified in forefoot and midfoot bending stiffness. Results revealed that higher longitudinal bending stiffness caused more foot exorotation at the initial ground contact (P < .05), less torsion (P < .001), and an anterior shift in the point of force application during push off (P = .01). In addition, the authors observed decreased forefoot bending (P < .05) and increased torsion (P < .01) in footwear with a higher forefoot-midfoot ratio. Finally, the agility performance was significantly impaired by 1.3% in the condition with the highest forefoot-midfoot ratio (P < .01). The high forefoot-midfoot ratio, that is, a stiff forefoot in combination with a soft midfoot, seemed to shift the flex line from anterior to posterior that may explain the performance impairment.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,582
Score d'incertitude au seuil0,651

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,017
Tête enseignante GPT0,262
Écart entre enseignants0,245 · 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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied BiomechanicsMême sujetSports Performance and TrainingTravaux en français237 207