Effects of Multicomponent Injury Prevention Programs on Children and Adolescents’ Fundamental Movement Skills: A Systematic Review With Meta-Analyses
Notice bibliographique
Résumé
OBJECTIVE: Fundamental movement skills (FMS) are essential to participate in physical activity. Understanding the effects of multicomponent injury prevention programs (MIPP) on FMS may help promote safe physical activity. Our objective was to synthesize the evidence on the effects of MIPP on biomechanical outcomes and neuromuscular performance measured on children and adolescents while performing FMS. DATA SOURCE: We searched PubMed, SPORTDiscus, Web of Science, and SCOPUS. STUDY INCLUSION AND EXCLUSION CRITERIA: We included peer-reviewed randomized controlled trials, published in English, that analyzed the effects of MIPP on biomechanics and neuromuscular performance of FMS in participants under 18 years of age. DATA EXTRACTION: Two reviewers screened the articles, assessed the quality of the evidence using the Physiotherapy Evidence Database (PEDro) scale, and synthesized the data. DATA SYNTHESIS: We conducted meta-analyses and reported the characteristics, outcomes, and risk of bias of studies. RESULTS: We included 27 articles that reported data from 1,427 participants. Positive effects on FMS were reported in 23 of the 27 included articles. Vertical Jump, running speed, acceleration, and dynamic balance presented positive-significant pooled effect sizes. Dribbling and horizontal jump presented non-significant pooled effect sizes. CONCLUSION: MIPP can positively affect FMS in children and adolescents in sports-related settings. Lack of participant compliance and implementation fidelity may affect MIPP effectiveness. Including MIPP in physical literacy interventions, physical education classes, and organized physical activity may lead to functional adaptations that help promote safe physical activity.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| 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 ».