Collagen and Vitamin C Supplementation Increases Lower Limb Rate of Force Development
Notice bibliographique
Résumé
BACKGROUND: Exercise and vitamin C-enriched collagen supplementation increase collagen synthesis, potentially increasing matrix density, stiffness, and force transfer. PURPOSE: To determine whether vitamin C-enriched collagen (hydrolyzed collagen [HC] + C) supplementation improves rate of force development (RFD) alongside a strength training program. METHODS: Using a double-blinded parallel design, over 3 weeks, healthy male athletes (n = 50, 18-25 years) were randomly assigned to the intervention (HC + C; 20 g HC + 50 mg vitamin C) or placebo (20 g maltodextrin). Supplements were ingested daily 60 min prior to training. Athletes completed the same targeted maximal muscle power training program. Maximal isometric squats, countermovement jumps, and squat jumps were performed on a force plate at the same time each testing day (baseline, Tests 1, 2, and 3) to measure RFD and maximal force development. Mixed-model analysis of variance compared performance variables across the study timeline, whereas t tests were used to compare the change between baseline and Test 3. RESULTS: Over 3 weeks, maximal RFD in the HC + C group returned to baseline, whereas the placebo group remained depressed (p = .18). While both groups showed a decrease in RFD through Test 2, only the treatment group recovered RFD to baseline by Test 3 (p = .036). In the HC + C group, change in countermovement jumps eccentric deceleration impulse (p = .008) and eccentric deceleration RFD (p = .04) was improved. A strong trend was observed for lower limb stiffness assessed in the countermovement jumps (p = .08). No difference was observed in maximal force or squat jump parameters. CONCLUSION: The HC + C supplementation improved RFD in the squat and countermovement jump alongside 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 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 ».