Effects of weight divisions in time-motion of female high-level Brazilian Jiu-jitsu combat behaviors
Notice bibliographique
Résumé
Coaches and psychologists can use time-motion analysis to elaborate specific interventions for female BJJ athletes, increasing specific training context and reducing unnecessary psychological and physical demands and injuries. Therefore, the present study aimed to analyze high-level BJJ female athletes in the 2020 Pan-American Games by comparing the weight categories on the time-motion analysis. The time-motion analysis (i.e., approach, gripping, attack, defensive actions, transition, mounting, guard, side control, and submissions) of 422 high-level female BJJ combats was divided and compared by weight category as follows: Rooster (n = 8), Light Feather (n = 18), Feather (n = 122), Light (n = 84), Middle (n = 74), Medium Heavy (n = 44), Heavy (n = 36), Super Heavy (n = 36), using p ≤ 0.05. The main results indicated that the Super heavyweight category [3.1 (5.8;119.9) s] had a shorter gripping time than other weight categories, p ≤ 0.05. In contrast, roosters [7.2 (3.5;64.6) s] had longer gripping, transition [14.0 (4.8;29.6) s], and attack time [76.2 (27.7, 93.2)] than the light feather, middlers, and heavier weight categories, p ≤ 0.05. These findings should be considered for the psychological interventions and training prescription.
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 | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».