Career-Span Analyses of Track Performance: Longitudinal Data Present a More Optimistic View of Age-Related Performance Decline
Notice bibliographique
Résumé
Sport scientists (Starkes, Weir, Singh, Hodges, & Kerr, 1999 Starkes, J. L., Weir, P. L., Singh, P., Hodges, N. J. and Kerr, T. 1999. Aging and the retention of sport expertise. International Journal of Sport Psychology, 30: 283–301. [Web of Science ®] , [Google Scholar]; Starkes, Weir, & Young, 2003 Starkes, J. L., Weir, P. L. and Young, B. W. 2003. “Retaining expertise: What does it take for older athletes to continue to excel?”. In Advances in research on sport expertise Edited by: Starkes, J. L. and Ericsson, K. A. 251–272. Champaign, IL: Human Kinetics. [Crossref] , [Google Scholar]) have suggested that prolonged training is critical for the maintenance of athletic performance even in the face of predicted age-related decline. This study used polynomial regression analyses to examine the relationship between age and running performance in the 1500 and 10,000 metre events. We compared the age and career-longitudinal performances for 15 male Canadian Masters athletes with a cross-sectional sample of performances at different ages. We hypothesized that the 30 years of uninterrupted training characteristic of this longitudinal sample would moderate the patterns of age-related decline (retention hypothesis); alternatively, the cross-sectional data were expected to demonstrate pronounced age-related decline (quadratic hypothesis). Investigators performed multimodel regression analyses on the age and performance data. Based on the absence (for longitudinal data) or presence (for the cross-sectional data) of significant quadratic components in second-order polynomial models, the authors found support for their respective hypotheses. The longitudinal data showed that running performance declined with age in a more linear fashion than did cross-sectional data. Graphical trends showed that the moderation of age-related decline appeared greater for the longitudinal 10 km performances than for the 1500 m event.
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 | 0,016 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».