MétaCan
Menu
Retour à la cohorte
Enregistrement W4366779885 · doi:10.32370/ia_2023_03_10

Implementation of Strength Fitness Components by Means of Functional Training

2023· article· en· W4366779885 sur OpenAlexvenueno aff
Olena Voichun, Oleksandr Bychkov, A. O. Tvelina, О. В. Петренко

Notice bibliographique

RevueIntellectual Archive · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiquePhysical Education and Training Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlexibility (engineering)Functional trainingContext (archaeology)Computer scienceStrength trainingPhysical medicine and rehabilitationPhysical strengthEndurance trainingTraining (meteorology)Muscle strengthMuscle massPhysical fitnessMedicinePhysical therapyMathematicsBiology

Résumé

récupéré en direct d'OpenAlex

The article clarifies the significance of the development of the components of strength fitness (muscle strength and muscular endurance) and delineates the specifics of the implementation of these components through the context of strength training by means of functional training. Such forms and types of functional training as TRX, Omnia-training, CrossFit, BOSU are outlined. The author emphasizes the conceptual advantages of implementing various forms of functional training, which will allow an increase in muscle mass; reduction of adipose tissue; improvement of stability and balancing of the body; relief of muscles; increasing endurance and speed; strengthening of the cardiovascular system; pumping stretching and flexibility; activation of metabolism and blood flow; correction of posture and general improvement of the body. The opinion is asserted about the high importance of the development of muscle strength and endurance of the body for the all-round development of the athlete, and enables new approaches and finding methods of functional training that would be implemented as efficiently as possible in practice.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,185
Tête enseignante GPT0,453
Écart entre enseignants0,268 · 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

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIntellectual ArchiveMême sujetPhysical Education and Training StudiesTravaux en français237 207