Countermovement Jump Performance and Team Membership of Youth Female and Male Ice Hockey Players
Notice bibliographique
Résumé
This study compared the CMJ performance of two teams of young male ice hockey players and two teams of female ice hockey players of different levels of competition and examined whether a specific CMJ variable could predict Prep or Varsity team membership and thus be used as part of the talent identification process for ice hockey. A retrospective analysis of six CMJ variables collected via force platforms was conducted. Independent samples t-tests were used to compare the means of the six CMJ variables between the male teams and female teams and a logistic regression analysis was performed to compare team membership to Prep or Varsity teams with the specific CMJ variables. Significant differences (p < 0.05) were found between Prep and Varsity male players in four CMJ variables, all in favor of the Varsity group: mRSI (p = 0.016, ES = -0.860), peak propulsive power (p = 0.022, ES = -0.811), time to take-off (p = 0.005, ES = 1.008), and braking rate of force development (p = 0.005, ES = -1.025). For the female players, only countermovement depth was significantly different (p = 0.030, ES = 0.841) between Prep and Varsity teams, in favor of the Varsity group. Following the logistic regression analysis, only countermovement depth (Wald's p-value = 0.011) could predict team membership to the Prep or Varsity group for the girls while no CMJ variables could significantly predict team membership to the Prep or Varsity teams for the boys. Results from this study suggest that other CMJ kinetic variables should be used when comparing CMJ performance between athletes rather than only using jump height. In addition, countermovement depth can be used by coaches of female ice hockey players to predict team membership.
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 ».