The Effects of Differential Learning Method on the Tennis Ground Stroke Accuracy and Mobility
Notice bibliographique
Résumé
The purpose of this study is to investigate the effect of different learning methods on learning tennis stroke skills, retention of learned skills and mobility time compared to traditional learning methods. Twenty-four (12 boys, 12 girls) high school students who have just started tennis education in a high school in Istanbul participated in this study voluntarily (Age: 15.00 ± 0.00 years, weight: 63.46 ± 10.64 kg, height: 1.65 ± 0.06 m, and body mass index 23.26 ± 2.91 kg/m2). Subjects were divided into two homogeneous groups of 12, each with equal numbers of boys (6 girls, 6 boys) according to the pre-test results. One of the groups was named control group, and the other group was named differential learning group. The training sessions were held 3 days a week for 10 weeks and each training lasted 90 minutes. The International Tennis Number (ITN) test was applied to determine the tennis ground stroke accuracy and mobility time. A modified version of the ITN mobility test was applied using the Fitlight TrainerTM device. Repeated Measures Anova test was used to examine the difference between pre-test, post-test and retention test of the same group. One Way Anova was used for the interaction between groups, measurement (pre-test, post-test, retention test) means. p < 0.05 was accepted for the significance level in the interpretation of statistical procedures. As a consequence; It can be said that the differential learning method is more effective than traditional training methods in the accuracy of tennis ground hits, but there is no significant difference between the two groups in retention of learning. Moreover, no significant difference was found in mean differences between groups and from pre-test to post-test and retention test within groups.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».