Participation and performance trends in 100-km ultra-marathons worldwide
Notice bibliographique
Résumé
The aims of the present study were to (1) investigate the participation trends for the origin of athletes competing in 100-km ultra-marathons and (2) determine the nationalities of athletes achieving the fastest 100-km race times worldwide. Race times and nationality from 112,283 athletes (15,204 women and 97,079 men) from 102 countries who completed a 100-km ultra-marathon worldwide between 1998 and 2011 were investigated using single- and multi-level regression analyses. The number of finishers increased exponentially, both for women and men. Most of the finishers (73.5%) were from Europe, in particular, France (30.4%). The number of finishers from Japan, Germany, Italy, Poland and the United States of America increased exponentially during the studied period. For women, runners from Canada became slower while those from Italy became faster over time. For men, runners from Belgium, Canada and Japan became slower. Between 1998 and 2011, the ten best race times were achieved by Japanese runners for both women with 457.1 (s = 28.8) min and men with 393.4 (s = 9.6) min. To summarise, most of the finishers in 100-km ultra-marathons originated from Europe, but the best performances belong to Japanese runners. Although East African runners dominate running up to a marathon, Japanese were the best in 100 km.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».