Comparison of Multiple Hop Test Kinematics Between Force-Platforms and Video Footage – A Cross Sectional Study
Notice bibliographique
Résumé
Background: Multiple hop performances have been assessed using force-platforms and motion-capture cameras. However, the accessibility of these technologies might be a hindering factor for many performance coaches. Currently, tablet devices are being used as alternatives to measure jumping and hopping performances. Objective: This study aimed to compare multiple hop kinematics using the Kinovea application with force-platforms, the gold standard. Methods: Using an observational cross-sectional study design, male athletes (n=44; age 20.1 ± 1.4 years) completed triple hops (3-Hop) and quintuple hops (5-Hop) on force-platforms while being filmed using an iPad. Ground contact time, flight time and total time were analysed using Kinovea and compared with the force platform data. Results: Statistical analysis showed a high level of agreement across all variables of interest but significant differences (flight time; -2.14 to -5.96 %, ground contact time; 4.89 to 5.83 %, total time; -0.37 to -0.58%) were observed across all variables of interest. A systematic bias for flight and ground contact times were seen for 3-Hop and 5-Hop. Conclusion: The use of iPad and Kinovea application can be used as a valid alternative to measure multiple hop kinematics when performance coaches do not have access to expensive force-platforms or motion-capture cameras.
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 ».