MétaCan
Menu
Retour à la cohorte
Enregistrement W4224300019 · doi:10.3390/ijerph19095146

Biomechanical Comparison between Down-the-Line and Cross-Court Topspin Backhand in Competitive Table Tennis

2022· article· en· W4224300019 sur OpenAlexaff
Kaige Xing, Zijun Lu, Chuangui Mao, Dong Woo Kang, Chen Yang, Yuliang Sun

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueSports injuries and prevention
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésKinematicsPelvisWristRotation (mathematics)MedicineInternal rotationThorax (insect anatomy)Shoulder jointPhysical medicine and rehabilitationOrthodonticsMathematicsPhysical therapyAnatomyPhysicsGeometryEngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to compare the kinematic and kinetic differences of the racket arm when balls were hit cross-court (CC) and down the line (DL) by topspin backhand. Eight elite female players participated and were instructed to hit the ball down the line and cross-court using a topspin backhand. Kinematic and kinetic data were collected. The results show that at the impact, participants had a greater wrist flexion angle in DL than CC (p = 0.017). The angular velocity of shoulder flexion (p = 0.038), shoulder abduction (p = 0.006) and thorax–pelvis internal rotation (p = 0.017) was faster when participants impacted the ball DL than CC. As for the joint kinetics, the shoulder external rotation moment was greater in CC than DL (p = 0.043). For a high-quality DL technique, it is important to exhibit a greater wrist flexion and have faster adduction and flexion in the shoulder, as well as faster internal rotation in thorax–pelvis, while having a smaller wrist flexion and more external rotation power in the shoulder are important to perform a CC at the impact. If these key and different factors of hitting CC and DL are ignored, it may lead to failure to complete a high-quality shot.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,084
Tête enseignante GPT0,443
Écart entre enseignants0,359 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetSports injuries and preventionTravaux en français237 207