effects of a single or multi-step drop-set training compared to traditional resistance training on muscle performance and body composition
Notice bibliographique
Résumé
The purpose was to examine two drop-set (DS) protocols (single step vs. multi-step) compared to traditional resistance training (TRT) over 8 weeks on changes in muscular strength, endurance and body composition. Twenty-seven trained males were randomized to one of three groups: traditional resistance training (TRT: n = 9), the single step drop set group (DS-S: n = 10) and the multi-step drop set group (DS-M: n = 8). Before and after training, body composition (percent body fat and skeletal muscle mass), and muscular strength and endurance (bench and leg press) were determined. Results: There was a significant interaction for leg press 1-RM (p < .001) and absolute change for leg-press 1-RM was significantly greater for both drop set protocols compared to TRT (p < .001). There were significant interactions for both leg press and bench press endurance (p < .001), with post hoc analyses revealing that only DS-M was superior to TRT (p < .001). There was a significant main effect of time for % body fat (p = .020), SMM (p < .001), however there were no differences between groups. Conclusions: Overall, single-step and multi-step drop-set training to failure appear to be effective strategies to enhance lower body strength, while only the multi-step drop set training enhanced muscular endurance compared to TRT.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».