The Relationship Between Horizontal Jumping and Sprinting Ability Across Sexes in Young Active Adults
Notice bibliographique
Résumé
Purpose: The purpose of this research was to investigate the relationship between horizontal jump distance, 10 m time, and 30–40 m time in multi-sport athletes separated by sex and sprint speed. Methods: A total of 1352 athletes (742 males and 610 females) performed 40 m sprints, standing broad jumps (SBJs), and standing triple jumps (STJs). Data were separated by sex and then grouped as fast, average, and slow using the K-Means algorithm in three conditions (acceleration, max speed, and combined). Results: Regression models explained 84.01% of the variance (F(7,757) = 574.5, p < 0.001) for the 10 m times with mass, speed group, and sex as significant predictors and 88.51% of the variance (F = (7,757 = 841.6, p < 0.001) for the 30–40 m times with SBJ, STJ, speed group, sex, and the interaction of sex and group as significant predictors. Conclusions: These results suggest that when examining general athlete physical performance, horizontal jump tests and max speed sprint times can be used equivalently to stratify athletes. However, it is important to group athletes by speed and sex before being able to predict sprint ability from horizontal jump tests. Further, athlete mass is a significant factor in the prediction of acceleration ability but not maximum speed, and horizontal jumps were significant factors in the prediction of max speed but not acceleration.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 ».