Incorporating Sprint Training With Endurance Training Improves Anaerobic Capacity and 2,000-m Erg Performance in Trained Oarsmen
Notice bibliographique
Résumé
A 2,000-m time-trial performance, aerobic capacity, and anaerobic capacity were assessed in 16 trained oarsmen after sprint interval training (SIT) replaced a portion of an endurance-based training program (EBTSIT) vs. an endurance-based program alone (EBTAlone). The EBTSIT involved 10 SIT sessions over 4 weeks, in addition to 12 continuous exercise sessions, 2 anaerobic threshold exercise sessions, and 4 strength training sessions. The EBTAlone consisted of 20 continuous, 6 anaerobic threshold, 2 interval exercise sessions, and 8 strength training sessions. Time-trial performance (2,000-m erg performance) improved with EBTSIT (baseline = 414.6 ± 18.5, post = 410.6 ± 17.5 seconds; p < 0.001) but only approached significance in EBTAlone (baseline = 413.0 ± 27.7, post = 411.4 ± 27.9 seconds; p = 0.06). In a 60-second "all-out" anaerobic capacity test, peak power output (PPO) increased significantly with EBTSIT (PPO: EBTSIT: baseline = 566 ± 82, post = 623 ± 60 W; p = 0.02) but not with EBTAlone (EBTAlone: baseline = 603 ± 81, post = 591 ± 123 W; p = 0.59). Changes in average power output (APO) also approached significance (p = 0.07) (APO: EBTSIT: baseline = 508 ± 48, post = 530 ± 52 W; EBTAlone: baseline = 532 ± 55, post = 533 ± 68 W). Neither group experienced any change in aerobic capacity ((Equation is included in full-text article.)or ventilatory threshold; p ≥ 0.16). We conclude that replacing a portion of EBT with SIT can improve both 2,000-m erg performance and anaerobic capacity, while maintaining aerobic fitness in trained oarsmen. Incorporating SIT within endurance training programs may be useful during periods of low-volume training, to improve performance without sacrificing aerobic capacity.
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 | 0,004 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».