Multi-Planar Jump Performance in Speed Skating Athletes: Investigating Interlimb Differences in an Asymmetrical Sport
Notice bibliographique
Résumé
Elite speed skaters are exposed to asymmetric lower limb loading consequent to the unidirectional turns inherent to the sport. This presents a unique model to study the effects of sport-specific loading on interlimb differences in mechanical muscle function. This study, therefore, examined baseline interlimb asymmetries in multi-directional jump tests in elite speed skaters using a cross-sectional design. Thereafter, participants were monitored longitudinally using the bilateral countermovement jump (CMJ) to quantify interlimb differences in mechanical muscle function throughout a competitive season. Pre-season baseline testing included a single leg lateral jump (JumpLat) and a single leg forward horizontal jump (JumpHorz) attached to a robotic linear position encoder, along with a bilateral CMJ on a dual force plate system. From baseline, CMJ monitoring was conducted throughout the 24-week competitive season. Within-limb changes in right vs left CMJ concentric impulse (CMJCon) and eccentric deceleration impulse (CMJEcc) were assessed using a linear mixed effects model. No systematic interlimb differences were found at baseline (p = 0.33–0.98) and the between-test agreement in limb dominance was poor (Kappa = −0.17–0.33). Furthermore, there were no time effects observed for interlimb differences in CMJCon (fixed effect = 0.01 N*s) and a small decrease in CMJEcc (fixed effects = −0.35 N*s, p = 0.01). These data suggest that even in a sport with asymmetrical loading, interlimb differences in mechanical output remain stable at the group level. However, changes occurring at the individual athlete level may be occurring that are meaningful for performance and injury.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».