The Effect of Contextual Factors on Physiological and Activity Profiles in International Women’s Rugby Sevens
Notice bibliographique
Résumé
PURPOSE: To evaluate the effects of contextual game factors on activity and physiological profiles of international-level women's rugby sevens players. METHODS: Twenty international-level female rugby sevens players from the same national team participated in this study. Global positioning system and heart-rate data were collected at 5 World Rugby Women's Sevens Series events (2013-14 season). RESULTS: Total, moderate-speed (0.2-3.5 m/s), and high-speed running (3.5-5.0 m/s) distances were significantly greater in the first half (20.1% ± 4.1%, 17.6% ± 6.9%, 24.5% ± 7.8%), during losses (11.4% ± 6.1%, 6.1% ± 6.4%, 26.9% ± 9.8%), during losses of large magnitudes (≥2 tries) (12.9% ± 8.8%, 6.8% ± 10.0%, 31.2% ± 14.9%), and against top-4 opponents (12.6% ± 8.7%, 11.3% ± 8.5%, 15.5% ± 13.9%). In addition, total distance increased (5.0% ± 5.5%) significantly from day 1 to day 2 of tournaments, and very-high-speed (5.0-6.5 m/s) running distance increased significantly (26.0% ± 14.2%) during losses. Time spent between 90% and 100% of maximum heart rate (16.4% ± 14.5%) and player load (19.0% ± 5.1%) were significantly greater in the second half. No significant differences in physiological or activity profiles were observed between forwards and backs. CONCLUSIONS: Game half, game outcome, tournament day, opponent rank, and margin of outcome all affected activity profiles, whereas game half affected physiological profiles. No differences in activity or physiological profiles were found between playing positions. Practitioners are advised to develop high-speed running ability in women's rugby sevens players to prepare them to tolerate the varying factors that affect activity profiles.
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 ».