Pacing Strategy, Muscle Fatigue, and Technique in 1500-m Speed-Skating and Cycling Time Trials
Notice bibliographique
Résumé
PURPOSE: To evaluate pacing behavior and peripheral and central contributions to muscle fatigue in 1500-m speed-skating and cycling time trials when a faster or slower start is instructed. METHODS: Nine speed skaters and 9 cyclists, all competing at regional or national level, performed two 1500-m time trials in their sport. Athletes were instructed to start faster than usual in 1 trial and slower in the other. Mean velocity was measured per 100 m. Blood lactate concentrations were measured. Maximal voluntary contraction (MVC), voluntary activation (VA), and potentiated twitch (PT) of the quadriceps muscles were measured to estimate central and peripheral contributions to muscle fatigue. In speed skating, knee, hip, and trunk angles were measured to evaluate technique. RESULTS: Cyclists showed a more explosive start than speed skaters in the fast-start time trial (cyclists performed first 300 m in 24.70 ± 1.73 s, speed skaters in 26.18 ± 0.79 s). Both trials resulted in reduced MVC (12.0% ± 14.5%), VA (2.4% ± 5.0%), and PT (25.4% ± 15.2%). Blood lactate concentrations after the time trial and the decrease in PT were greater in the fast-start than in the slow-start trial. Speed skaters showed higher trunk angles in the fast-start than in the slow-start trial, while knee angles remained similar. CONCLUSIONS: Despite similar instructions, behavioral adaptations in pacing differed between the 2 sports, resulting in equal central and peripheral contributions to muscle fatigue in both sports. This provides evidence for the importance of neurophysiological aspects in the regulation of pacing. It also stresses the notion that optimal pacing needs to be studied sport specifically, and coaches should be aware of this.
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 | 0,000 |
| 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 ».