Case Study: Nutrition and Training Periodization in Three Elite Marathon Runners
Notice bibliographique
Résumé
Laboratory-based studies demonstrate that fueling (carbohydrate; CHO) and fluid strategies can enhance training adaptations and race-day performance in endurance athletes. Thus, the aim of this case study was to characterize several periodized training and nutrition approaches leading to individualized race-day fluid and fueling plans for 3 elite male marathoners. The athletes kept detailed training logs on training volume, pace, and subjective ratings of perceived exertion (RPE) for each training session over 16 wk before race day. Training impulse/load calculations (TRIMP; min × RPE = load [arbitrary units; AU]) and 2 central nutritional techniques were implemented: periodic low-CHO-availability training and individualized CHO- and fluid-intake assessments. Athletes averaged ~13 training sessions per week for a total average training volume of 182 km/wk and peak volume of 231 km/wk. Weekly TRIMP peaked at 4,437 AU (Wk 9), with a low of 1,887 AU (Wk 16) and an average of 3,082 ± 646 AU. Of the 606 total training sessions, ~74%, 11%, and 15% were completed at an intensity in Zone 1 (very easy to somewhat hard), Zone 2 (at lactate threshold) and Zone 3 (very hard to maximal), respectively. There were 2.5 ± 2.3 low-CHO-availability training bouts per week. On race day athletes consumed 61 ± 15 g CHO in 604 ± 156 ml/hr (10.1% ± 0.3% CHO solution) in the following format: ~15 g CHO in ~150 ml every ~15 min of racing. Their resultant marathon times were 2:11:23, 2:12:39 (both personal bests), and 2:16:17 (a marathon debut). Taken together, these periodized training and nutrition approaches were successfully applied to elite marathoners in training and competition.
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 | 0,001 | 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 | 0,000 |
| 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) | 0,000 | 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 ».