The effect of low- vs high-cadence interval training on the freely chosen cadence and performance in endurance-trained cyclists
Notice bibliographique
Résumé
The aim of this study was to determine the effects of high- and low-cadence interval training on the freely chosen cadence (FCC) and performance in endurance-trained cyclists. Sixteen male endurance-trained cyclists completed a series of submaximal rides at 60% maximal power (Wmax) at cadences of 50, 70, 90, and 110 r·min(-1), and their FCC to determine their preferred cadence, gross efficiency (GE), rating of perceived exertion, and crank torque profile. Performance was measured via a 15-min time trial, which was preloaded with a cycle at 60% Wmax. Following the testing, the participants were randomly assigned to a high-cadence (HC) (20% above FCC) or a low-cadence (LC) (20% below FCC) group for 18 interval-based training sessions over 6 weeks. The HC group increased their FCC from 92 to 101 r·min(-1) after the intervention (p = 0.01), whereas the LC group remained unchanged (93 r·min(-1)). GE increased from 22.7% to 23.6% in the HC group at 90 r·min(-1) (p = 0.05), from 20.0% to 20.9% at 110 r·min(-1) (p = 0.05), and from 22.8% to 23.2% at their FCC. Both groups significantly increased their total distance and average power output following training, with the LC group recording a superior performance measure. There were minimal changes to the crank torque profile in both groups following training. This study demonstrated that the FCC can be altered with HC interval training and that the determinants of the optimal cycling cadence are multifactorial and not completely understood. Furthermore, LC interval training may significantly improve time-trial results of short duration as a result of an increase in strength development or possible neuromuscular adaptations.
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 | 0,001 |
| 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 ».