The influence of athletic background, lower limb dominance and cutting angle on the center of mass kinematics during a sidestep cutting task
Notice bibliographique
Résumé
BACKGROUND: Successful performance in futsal depends on athletes' ability to change direction efficiently. AIM: To investigate the effect of athletic background on COM kinematics during sidestep cutting maneuver performed at different cutting angles towards both sides. METHOD: Eighteen futsal athletes participated, comprised of nine high-level training (Group high-level) and nine recreational (Group Control, GC). Twenty reflective markers were placed on the participant's trunk and upper and lower limbs. Participants performed acceleration at maximum speed and in a straight line for 10 meters, followed by a change of direction (30º, 60º, and 90º). The whole body's COM trajectory was identified using a body model for each trial. Differences in angular error and COM speed were evaluated with a three-way analysis of variance [Group (GH vs. GC) X Cutting angle (30º vs. 60º vs. 90º) X Side (dominant and non-dominant), with repeated measures for the last two factors]. RESULTS: The main results indicated that the angular error increased as the cutting angle increased. The high-level futsal athletes performed a cutting task for the dominant side with greater speed and higher angular errors than the control group. These findings provided important information for understanding the trajectory of the center of mass at different angles and velocities and the possible repercussions on body dynamics. CONCLUSION: Athletic background affected the kinematic patterns of the center of mass during sidestep cutting maneuvers; when sidestep is performed with the dominant side, high-level futsal athletes changed direction faster with more significant angular error than recreational athletes.
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 | 0,000 | 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 ».