Muscle hypertrophy and strength gains after resistance training with different volume-matched loads: a systematic review and meta-analysis
Notice bibliographique
Résumé
The purpose of this paper was to conduct a systematic review and meta-analysis of studies that compared muscle hypertrophy and strength gains between resistance training protocols employing very low (VLL < 30% of 1-repetition maximum (RM) or >35RM), low (LL30%–59% of 1RM, or 16–35RM), moderate (ML60%–79% of 1RM, or 8–15RM), and high (HL ≥ 80% of 1RM, or ≤7RM) loads with matched volume loads (sets × repetitions × weight). A pooled analysis of the standardized mean difference for 1RM strength outcomes across the studies showed a benefit favoring HL vs. LL and vs. ML and favoring ML vs. LL. The LL and VLL results showed little difference. A pooled analysis of the standardized mean difference for hypertrophy outcomes across all studies showed no differences between training loads. Our findings indicate that when the volume load is equal between conditions, the highest loads induce superior dynamic strength gains. Alternatively, hypertrophic adaptations were similar irrespective of the load magnitude. Novelty: Training with higher loads elicits greater gains in 1RM muscle strength when compared to lower loads, even when the volume load is equal between conditions. Muscle hypertrophy is similar irrespective of the magnitude of the load, even when the volume load is equal between conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,023 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».