Optimal pacing strategy: from theoretical modelling to reality in 1500-m speed skating
Notice bibliographique
Résumé
PURPOSE: Athletes are trained to choose the pace which is perceived to be correct during a specific effort, such as the 1500-m speed skating competition. The purpose of the present study was to "override" self-paced (SP) performance by instructing athletes to execute a theoretically optimal pacing profile. METHODS: Seven national-level speed-skaters performed a SP 1500-m which was analysed by obtaining velocity (every 100 m) and body position (every 200 m) with video to calculate total mechanical power output. Together with gross efficiency and aerobic kinetics, obtained in separate trials, data were used to calculate aerobic and anaerobic power output profiles. An energy flow model was applied to SP, simulating a range of pacing strategies, and a theoretically optimal pacing profile was imposed in a second race (IM). RESULTS: Final time for IM was ∼2 s slower than SP. Total power distribution per lap differed, with a higher power over the first 300 m for IM (637.0 (49.4) vs 612.5 (50.0) W). Anaerobic parameters did not differ. The faster first lap resulted in a higher aerodynamic drag coefficient and perhaps a less effective push-off. CONCLUSION: Experienced athletes have a well-developed performance template, and changing pacing strategy towards a theoretically optimal fast start protocol had negative consequences on speed-skating technique and did not result in better performance.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».