Comparison of Interlimb Coordination During Soccer Instep Kicking Between Elite and Amateur Players
Notice bibliographique
Résumé
This study investigates how interlimb joint coordination influences foot speed during soccer instep kicking, using continuous relative phase (CRP) as a quantitative method. The sample includes 15 elite and 15 amateur players to examine potential differences in coordination patterns and their impact on performance. Specifically, we focused on the coordination between hip, knee, and ankle joints in the forefoot-back kicking motion. Results indicated that elite players exhibited significantly higher hip-knee CRP in the coronal plane during 62%-81% of movement duration (p = 0.015) and higher knee-ankle CRP in the vertical plane during 78%-100% (p = 0.013). Moreover, elite players had significantly greater hip-knee mean absolute relative phase (MARP) and deviation phase (DP) in the coronal plane (p < 0.001), as well as increased knee-ankle DP (p = 0.04). In the horizontal plane, hip-knee MARP was also greater in the elite players compared to amateurs (p < 0.001). Further analysis revealed a significant negative correlation between hip-knee CRP and foot velocity in the sagittal plane (R = -0.66, p < 0.001), whereas a significant positive correlation was observed between knee-ankle CRP and foot velocity in the horizontal plane (R = 0.56, p = 0.002). These findings suggest that elite players have superior joint coordination, which contributes to a faster foot velocity at the moment of ball impact. Understanding these coordination patterns provides valuable insights into optimizing kicking techniques. The findings of this study suggest that joint coordination may play an important role in enhancing kicking foot speed, which could inform future training approaches aimed at improving soccer 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 | 0,001 | 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 ».