Does Nutrition Knowledge and Practice of Athletes Translate to Enhanced Athletic Performance? Cross-Sectional Study Amongst Nigerian Undergraduate Athletes
Notice bibliographique
Résumé
INTRODUCTION & OBJECTIVES: Nutrition knowledge of an athlete, as well as practice, is expected to influence athlete's performance. The study assessed the nutrition knowledge and practice as well as athletes' performance and identified the factors predicting the athletes' performance. METHODOLOGY: A cross-sectional survey, involved 110 purposively selected undergraduate athletes (47 females, 63 males) of University of Ibadan, Nigeria, between July 2013 and December 2013. A semi-structured, self-administered questionnaire assessed the nutrition knowledge and practice. 24-hr diet recall and food frequency questionnaire were done. Anthropometric measurements were taken; body composition was determined by bioelectrical impedance analysis method. Handgrip strength (HGS), as an indirect measure of athlete performance, was assessed with the hand dynamometer. Chi-square and t-test analysis were used for the bivariate analysis. Pearson correlation and simple linear regression were used to determine relationships and predict athletic performance. The level of statistical significance was p<0.05. RESULTS: More than half (58.2%) had good nutrition knowledge (NK), and 62.7% had good nutrition practices (NP). Majority (75.4%) had normal handgrip strength (HGS). More than 70.0% frequently do not consume cereals, roots and tubers, fruits and vegetables, legumes /nuts. About 30.0-40.0% frequently do not consume eggs/milk, meat/fish. Having good NK was significantly associated with good NP (χ2=15.520, p=0.000), but not with athlete's performance (HGS). There is no significant correlation between NK, NP, and HGS. There is a significant positive correlation between HGS and lean muscle mass (LMM) (r=.670, p=0.000), weight (r=.492, p=0.000), height (r=.521, p=0.000) and energy intake (r=.386, p=0.000). There is a significant negative correlation between HGS and percentage body fat (r=-.400, p=0.000). Athletes' performance was significantly predicted by the resting metabolic rate (beta=.454 C.I=0.011 to 0.045, p=0.003), Lean muscle mass (beta=.297 C.I=.059 to 0.562, p=0.024) and the weight (beta=.228, C.I=1.852 to .489, p=0.047). CONCLUSION: Having good nutrition knowledge or practice did not directly determine athletic performance. However, there is the need for nutrition education interventions, to improve athlete's performance by promoting adequate energy intake, lean muscle mass and appropriate weight gain in athletes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».