Torque Strength Targets: Sex and Sport Differences in Knee and Shoulder Profiles Among Amateur Athletes
Notice bibliographique
Résumé
OBJECTIVE: To describe knee and shoulder strength characteristics across amateur sports and compare strength across sexes and sports groups. METHODS: A total of 233 healthy athletes who were competing at national or international levels across 27 different sports (106 males and 127 females) participated in this study. Using a Con-TREX MJ system, we assessed peak and relative torque, and rate of force development at 200 ms (RFD 200 ), in knee and shoulder joint muscles. Differences between sexes were assessed using Student’s t tests and Cohen’s d for effect sizes; nonparametric MANOVA (multivariate analysis of variance) compared sports groups. Spearman rank correlations were used to compare average peak torque and RFD 200 . RESULTS: Male athletes had greater peak and relative torques than female athletes ( P<.02, d = 0.33-1.87). Significant differences across torque variables were also observed between combat, team, precision/skill, and speed/strength sport groups for the knee ( P<.01, R 2 = 0.15) and the shoulder ( P<.01, R 2 = 0.03) measurements. Mean peak torque and RFD 200 were highly correlated for knee flexion and extension (r = 0.95 and 0.97, respectively), and for shoulder external and internal rotation (r = 0.95 and 0.99, respectively). CONCLUSIONS: There were sex and group differences in knee flexion and extension and shoulder internal and external rotation. Male participants were stronger, and athletes from the speed/strength groups showed the greatest values for knee strength, whereas combat sports athletes demonstrated the greatest shoulder rotation strength. JOSPT Open 2025;3(2):137-145. Epub 17 January 2025. doi:10.2519/josptopen.2025.0095
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 | 0,000 |
| 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 ».