Velocity–Load Jump Testing Predicts Acceleration Performance in Elite Speed Skaters: But Does Movement Specificity Matter?
Notice bibliographique
Résumé
PURPOSE: In this study, we compared the influence of movement specificity during velocity-load jump testing to predict on-ice acceleration performance in elite speed skaters. METHODS: Elite long-track speed skaters (N = 27) performed velocity-load testing with 3 external loads during unilateral horizontal jumping, lateral jumping, and bilateral vertical countermovement jumping. For the unilateral tests, external load conditions were set to 10 N, 7.5% and 15% of external load relative to body weight. For the countermovement jumping, load conditions were body weight and 30% and 60% of external load relative to body weight. On-ice performance measures were obtained during maximal 50-m accelerations from a standing start, including maximal skating speed, maximal acceleration capacity, and maximum horizontal power. The 100-m split time from a 500-m race was also obtained. Regularized regression models were used to identify the most important predictors of on-ice acceleration performance. In addition to regularized regression coefficients, Pearson correlation coefficients (r) were calculated for all variables retained by the model to assess interrelationships between single predictors and on-ice performance measures. RESULTS: The countermovement jump with 30% of body mass demonstrated the strongest association with maximal skating speed, maximum horizontal power, and 100-m time (regularized regression coefficient = .16-.49, r = .84-.97, P < .001). Horizontal jump with 15% of body mass was the strongest predictor of maximal acceleration capacity performance (regularized regression coefficient = .08, r = .83, P < .001). CONCLUSIONS: The findings of this study suggest that mechanical specificity rather than movement specificity was more relevant for predicting on-ice acceleration performance.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».