MétaCan
Menu
Retour à la cohorte
Enregistrement W4402615947 · doi:10.3390/jfmk9030167

A Comparison of Paddle Forces between Whitewater and Flatwater Training in C1 Canoe Slalom

2024· article· en· W4402615947 sur OpenAlexafffund
James M. Wakeling, Stanislava Smiešková, Matej Vajda, Jan Bušta

Notice bibliographique

RevueJournal of Functional Morphology and Kinesiology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaVedecká Grantová Agentúra MŠVVaŠ SR a SAVSimon Fraser University
Mots-clésPaddleTraining (meteorology)Physical medicine and rehabilitationMedicineEngineeringPhysicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND/OBJECTIVES: Becoming an elite canoe slalom athlete requires thousands of hours of training, spread over many years. It is difficult to assess the correct balance between flatwater and whitewater training because differences in the paddle forces on these terrains are not known. The aim of this study was to describe paddle forces during canoe slalom training on flatwater and whitewater courses for the C1 canoe category. METHODS: Paddle forces for twenty C1 canoe slalom athletes were quantified during all-out figure-of-eight tests on a flatwater course and during race simulations on a whitewater course. Paddle forces were measured using strain gauges embedded in the paddle shaft and quantified by their force, impulse, and stroke durations. RESULTS: The mean force during the pull phase of the paddle strokes was not significantly different between the flatwater and whitewater courses; however, the longer pull phase durations led to a greater pull phase impulse when paddling on the whitewater course. CONCLUSIONS: This study indicates that training for all-out runs on a whitewater course is more demanding for canoe slalom athletes than performing all-out trials on a flatwater figure-of-eight course. This evidence may help to develop effective training plans that are essential to reach the highest levels of the sport.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,263

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,332
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Functional Morphology and KinesiologyMême sujetSports Performance and TrainingTravaux en français237 207