The Effect of Pre-Run Foods on Athletic Performance
Notice bibliographique
Résumé
Ergogenic aids such as sodium bicarbonate that buffer against metabolic acidosis during long sprint or strength endurance races can enhance performance but have known drawbacks. Whether foods that contain high levels of potassium can also provide buffering capacity and improve performance is not known. PURPOSE: To determine if a small meal containing high levels of potassium supplied by whole foods when consumed before a maximal effort can improve performance in competitive track athletes. METHODS: Seven healthy track athletes (3 women), 19-22 years, were tested on a treadmill with 5% grade for VO2peak. They were then randomly assigned to consume one of two small meals before running to volitional exhaustion on a treadmill with a 5% grade at the final speed achieved on their VO2peak test. A week later, they consumed the other meal before an identical test. The meals were formulated to have either high or low potassium content, and contained 18% of each athlete’s daily energy requirement with the macronutrients providing 56%, 23%, and 21% of energy from carbohydrate, fat, and protein respectively. Urine samples were analyzed for hydration and pH before consumption of each meal and for pH before and after each running test. Time to volitional exhaustion and the pre- to post-run drop in urinary pH after the two meals were compared using paired t-tests. Results: All athletes ran longer to volitional fatigue after the high versus the low potassium meal (161±59s vs. 148±63s; p=0.003). Changes in pH from pre-meal to pre-test, from pre-meal to post-test, and from pre-test to post-test were not different between treatments. All athletes were well hydrated, with a urinary specific gravity less than 1.020 for all tests. CONCLUSION: High potassium foods may provide benefits to performance in sports that generate metabolic acidosis but whether that benefit is due to buffering the body against acidosis will require further research. Whole foods have potential to be ergogenic aids for some athletes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».