Strength Training for Middle- and Long-Distance Performance: A Meta-Analysis
Notice bibliographique
Résumé
PURPOSE: To assess the net effects of strength training on middle- and long-distance performance through a meta-analysis of the available literature. METHODS: Three databases were searched, from which 28 of 554 potential studies met all inclusion criteria. Standardized mean differences (SMDs) were calculated and weighted by the inverse of variance to calculate an overall effect and its 95% confidence interval (CI). Subgroup analyses were conducted to determine whether the strength-training intensity, duration, and frequency and population performance level, age, sex, and sport were outcomes that might influence the magnitude of the effect. RESULTS: The implementation of a strength-training mesocycle in running, cycling, cross-country skiing, and swimming was associated with moderate improvements in middle- and long-distance performance (net SMD [95%CI] = 0.52 [0.33-0.70]). These results were associated with improvements in the energy cost of locomotion (0.65 [0.32-0.98]), maximal force (0.99 [0.80-1.18]), and maximal power (0.50 [0.34-0.67]). Maximal-force training led to greater improvements than other intensities. Subgroup analyses also revealed that beneficial effects on performance were consistent irrespective of the athletes' level. CONCLUSION: Taken together, these results provide a framework that supports the implementation of strength training in addition to traditional sport-specific training to improve middle- and long-distance performance, mainly through improvements in the energy cost of locomotion, maximal power, and maximal strength.
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,050 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».