Music Enhances Performance and Perceived Enjoyment of Sprint Interval Exercise
Notice bibliographique
Résumé
INTRODUCTION: Interval exercise training can elicit physiological adaptations similar to those of traditional endurance training, but with reduced time. However, the intense nature of specific protocols, particularly the "all-out" efforts characteristic of sprint interval training (SIT), may be perceived as being aversive. The purpose of this study was to determine whether listening to self-selected music can reduce the potential aversiveness of an acute session of SIT by improving affect, motivation, and enjoyment, and to examine the effects of music on performance. METHODS: Twenty moderately active adults (22 ± 4 yr) unfamiliar with interval exercise completed an acute session of SIT under two different conditions: music and no music. The exercise consisted of four 30-s "all-out" Wingate Anaerobic Test bouts on a cycle ergometer, separated by 4 min of rest. Peak and mean power output, RPE, affect, task motivation, and perceived enjoyment of the exercise were measured. Mixed-effects models were used to evaluate changes in dependent measures over time and between the two conditions. RESULTS: Peak and mean power over the course of the exercise session were higher in the music condition (coefficient = 49.72 [SE = 13.55] and coefficient = 23.65 [SE = 11.30]; P < 0.05). A significant time by condition effect emerged for peak power (coefficient = -12.31 [SE = 4.95]; P < 0.05). There were no between-condition differences in RPE, affect, or task motivation. Perceived enjoyment increased over time and was consistently higher in the music condition (coefficient = 7.00 [SE = 3.05]; P < 0.05). CONCLUSION: Music enhances in-task performance and enjoyment of an acute bout of SIT. Listening to music during intense interval exercise may be an effective strategy for facilitating participation in, and adherence to, this form of training.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».