Similarities and differences in anthropometry and training between recreational male 100-km ultra-marathoners and marathoners
Notice bibliographique
Résumé
Several recent investigations showed that the best marathon time of an individual athlete is also a strong predictor variable for the race time in a 100-km ultra-marathon. We investigated similarities and differences in anthropometry and training characteristics between 166 100-km ultra-marathoners and 126 marathoners in recreational male athletes. The association of anthropometric variables and training characteristics with race time was assessed by using bi- and multi-variate analysis. Regarding anthropometry, the marathoners had a significantly lower calf circumference (P < 0.05) and a significantly thicker skinfold at pectoral (P < 0.01), axilla (P < 0.05), and suprailiacal sites (P < 0.05) compared to the ultra-marathoners. Considering training characteristics, the marathoners completed significantly fewer hours (P < 0.001) and significantly fewer kilometres (P < 0.001) during the week, but they were running significantly faster during training (P < 0.001). The multi-variate analysis showed that age (P < 0.0001), body mass (P = 0.011), and percent body fat (P = 0.019) were positively and weekly running kilometres (P < 0.0001) were negatively related to 100-km race times in the ultra-marathoners. In the marathoners, percent body fat (P = 0.002) was positively and speed in running training (P < 0.0001) was negatively associated with marathon race times. In conclusion, these data suggest that performance in both marathoners and 100-km ultra-marathoners is inversely related to body fat. Moreover, marathoners rely more on speed in running during training whereas ultra-marathoners rely on volume in running training.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».