Precision in the Prediction of Middle Distance-Running Performances Using Either a Nomogram or the Modeling of the Distance-Time Relationship
Notice bibliographique
Résumé
The purpose was to determine the levels of precision in the prediction of middle-distance performances in running using the modeling of the distance-time relationship and a nomogram. Official French running rankings for the men's 3,000; 5,000; and 10,000 m were scrutinized from 1996 to 2007. Only runners who competed over the 3 distances within the same year were included (n = 100). The distance-time relationship was modeled using a linear 2-parameter model from the plot of 2 performances to predict a third one. The nomogram of Mercier was also used to predict 1 performance from the use of the other 2. Actual and predicted performances were significantly different, except for the 5,000- and 10,000-m performances predicted from the nomogram (p > 0.05). Effect sizes (ESs) were lower when the performance was predicted by the nomogram (-0.25 < ES < 0.05) compared with the linear 2-parameter model (-0.99 < ES < 0.47). The predicted performances were significantly correlated to the actual performances (r > 0.46; p < 0.01). The bias ± limits of agreement for the 3,000-; 5,000-; and 10,000-m performances were 1.0 ± 12.8, -0.1 ± 6.9, and 0.1 ± 20.8% and 3.7 ± 15.5, -1.4 ± 6.2, and 2.5 ± 10.6% for prediction from the nomogram and distance-time relationship, respectively. Although the modeling of the distance-time relationship does not enable middle-running performances to be accurately predicted, the precision in the predictions from the nomogram suggests that the nomogram may be used to prescribe adapted training intensities and determine the optimal strategy during the race.
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 | 0,032 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».