Jumping Side Volley in Soccer—A Biomechanical Preliminary Study on the Flying Kick and Its Coaching Know-How for Practitioners
Notice bibliographique
Résumé
The jumping side volley has created breathtaking moments and cherished memories for soccer fans. Regrettably, scientific studies on the skill cannot be found in the literature. Relying on the talent of athletes to improvise on the fly can hardly be considered a viable learning method. This study targeted to fill this gap by quantifying the factors of the jumping side volley and to contribute to the development of a coaching method for it. Using 3D motion capture (12 cameras, 200 Hz) and full-body biomechanical modeling, our study aimed to identify elements that govern the entrainment of skill execution. Given the rarity of players who have acquired this skill and the low success rate of the kick (even in professional games), we were able to achieve and review 23 successful trials from five college-level subjects and quantify them for the study. The results unveiled the following key elements: (1) the control of trunk rotation during jumping, (2) the angle between thighs upon take-off, (3) the whip-like control of the kicking leg while airborne, (4) timing between ball motion and limb coordination, and (5) damping mechanism during falling. An accurate kick can normally be achieved through repetitive training. This underlines the need for athletes to master a safe landing technique that minimizes risk of injury during practice. Therefore, training should begin with learning a safe falling technique.
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) | 0,000 | 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 ».