Superiority of Dynamic Stretching over Static and Combined Stretching Protocols for Repeated Sprint Performance in Elite Male Soccer Players
Notice bibliographique
Résumé
This study aimed to examine the effects of different stretching techniques on repeated sprint performance and to assess the influence of the sequence in which static and dynamic stretching are performed. Ten male Division II soccer players (age: 22.80 ± 1.13 years; height: 180.60 ± 3.59 cm; body mass: 70.60 ± 6.04 kg) completed a repeated sprint test consisting of 6 × 30 m sprints after five different warm-up protocols in a randomized, counterbalanced design: (1) general warm-up without stretching (NS), (2) static stretching (SS), (3) dynamic stretching (DS), (4) SS followed by DS (SS-DS), and (5) DS followed by SS (DS-SS). Stretching was performed during the recovery periods between sprints: ~6 min for SS and DS, and ~12 min for combined protocols. Sessions were spaced 72 h apart. Performance metrics included mean sprint time, best sprint time, and total sprint time. ANOVA and Cohen’s d were used for statistical analysis. Repeated sprint test performance was significantly enhanced after DS compared to SS, DS-SS, and SS-DS (p = 0.042–0.002; ES = 0.31–2.26), but not significantly different from NS (p > 0.05). SS had a detrimental effect when compared to DS and NS (p < 0.05; ES = 1.86–2.26). Improvements were observed in mean sprint time and total sprint time across all six sprints (p = 0.042–0.006; ES = 0.31–2.26) and in best sprint time (p = 0.006–0.002; ES = 0.89–1.86). In conclusion, DS prior to repeated sprint test improves performance compared to SS and combined methods. NS also supports strong performance but shows a slight advantage over SS and combinations. Incorporating DS into warm-up routines is recommended to optimize sprint performance, reduce injury risk, and support athlete preparation.
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 ».