The Effects of Low– and High–Glycemic Index Foods on High-Intensity Intermittent Exercise
Notice bibliographique
Résumé
UNLABELLED: The glycemic index (GI) of a preexercise meal may affect substrate utilization and performance during continuous exercise. PURPOSE: To examine the effects of low- and high-GI foods on metabolism and performance during high-intensity, intermittent exercise. METHODS: Seven male athletes participated in three experimental trials (low-GI, high-GI, and fasted control) separated by approximately 7 days. Foods were consumed 3 h before (approximately 1.3 g x kg(-1) carbohydrate) and halfway through (approximately 0.2 g x kg(-1) carbohydrate) 90 min of intermittent treadmill running designed to simulate the activity pattern of soccer. Expired gas was collected during exercise to estimate substrate oxidation. Performance was assessed by the distance covered on five 1-min sprints during the last 15 min of exercise. RESULTS: Respiratory exchange ratio was higher and fat oxidation lower during exercise in the high-GI condition compared with fasting (P < .05). The mean difference in total distance covered on the repeated sprint test between low GI and fasting (247 m; 90% confidence limits +/-352 m) represented an 81% (likely, probable) chance that the low-GI condition improved performance over fasting. The mean difference between high GI and fasted control (223 m; +/- 385 m) represented a 76% (likely, probable) chance of improved performance. There were no differences between low and high GI. CONCLUSIONS: When compared with fasting, both low- and high-GI foods consumed 3 h before and halfway through prolonged, high-intensity intermittent exercise improved repeated sprint performance. High-GI foods impaired fat oxidation during exercise but the GI did not appear to influence high-intensity, intermittent exercise 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 | 0,000 | 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 ».