Perception-Based Methods and Beyond: A Current Opinion on How to Assess Static Stretching Intensity
Notice bibliographique
Résumé
Muscle stretching is widely used in clinical, athletic, and otherwise healthy populations, yet a consensual definition of stretch intensity-a key component of stretch load-does not exist. This is important because the effects of stretch intensity on range of motion and strength are controversial but suggested to affect clinical practice and scientific research. Most commonly, stretch intensity is defined in relation to an individual's perceived level of discomfort or pain; however, these definitions are problematic for several reasons, including that consensual and objective quantifiable definitions of 'pain' and 'discomfort' do not exist, perceptions vary widely (and may not be sensed in some populations), and their ordinal (interval) nature is problematic from a statistical (research) point of view. The maximal range of motion or stretch distance may instead be useful; however, it can be difficult to define the 'start of stretch' and tissue stress varies non-linearly with range of motion or distance, meaning tissue load (stress) varies markedly with small changes in joint angle or distance near the stretch limit but varies less when stretches are performed further from it. Alternatively, setting joint angles or stretch distances as a percentage of the peak passive torque or resistive force can circumvent these issues, removing the need to define the 'start of stretch' and ensuring that intensity changes largely reflect changes in tissue load; however, torque/force measurement can sometimes be difficult or impossible to assess. A concerted research effort is thus required to produce an accepted definition of stretch intensity, and then to clarify how this can be quantified in scientific and practical settings.
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 ».