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 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».