Training junior tennis players to increase knee flexion improves their service performance
Notice bibliographique
Résumé
This study aimed to assess whether training to increase knee flexion during the tennis serve improves performance and to explore the associated biomechanical changes across the body. Twenty junior tennis players were randomly allocated into control (standard in-season training) and training groups (received training to increase knee flexion during serve). Inertial sensors tracked full body and racket kinematics during five serves performed in pre- and post-training assessments. Racket velocity, impact height, and lower- and upper-body kinematics were compared. Training increased serve knee flexion by 31° (p < 0.001), leading to a 1.38 km/h increase racket velocity (p = 0.036) without affecting impact height (p = 0.331). Additionally, training increased: range of front leg knee extension (MD = 23.46°, p < 0.001) and extension velocity (MD = 54.28°/s, p = 0.008), hip range of motion (front: MD = 53.60°/s, p = 0.003; back: MD = 57.28°/s, p = 0.015), pelvis upward velocity (MD = 0.27 m/s, p < 0.001), and trunk contralateral flexion velocity (MD = 23.18°/s, p = 0.025). No main effects were found for shoulder internal rotation (p = 0.304) and elbow extension (p = 0.214) velocities. No changes were observed in the control group other than a decreased trunk contralateral flexion velocity (MD = −28.98°/s, p = 0.007). Specific training can, therefore, increase serve knee flexion. This study highlights that specific training to increase knee flexion can enhance serve performance by increasing racket velocity, without increasing upper limb joint contribution.
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 | 0,001 |
| 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 ».