Modelling of optimal training load patterns during the 11 weeks preceding major competition in elite swimmers
Notice bibliographique
Résumé
Periodization of swim training in the final training phases prior to competition and its effect on performance have been poorly described. We modeled the relationships between the final 11 weeks of training and competition performance in 138 elite sprint, middle-distance, and long-distance swimmers over 20 competitive seasons. Total training load (TTL), strength training (ST), and low- to medium-intensity and high-intensity training variables were monitored. Training loads were scaled as a percentage of the maximal volume measured at each intensity level. Four training periods (meso-cycles) were defined: the taper (weeks 1 to 2 before competition), short-term (weeks 3 to 5), medium-term (weeks 6 to 8), and long-term (weeks 9 to 11). Mixed-effects models were used to analyze the association between training loads in each training meso-cycle and end-of-season major competition performance. For sprinters, a 10% increase between ∼20% and 70% of the TTL in medium- and long-term meso-cycles was associated with 0.07 s and 0.20 s faster performance in the 50 m and 100 m events, respectively (p < 0.01). For middle-distance swimmers, a higher TTL in short-, medium-, and long-term training yielded faster competition performance (e.g., a 10% increase in TTL was associated with improvements of 0.1-1.0 s in 200 m events and 0.3-1.6 s in 400 m freestyle, p < 0.01). For sprinters, a 60%-70% maximal ST load 6-8 weeks before competition induced the largest positive effects on performance (p < 0.01). An increase in TTL during the medium- and long-term preparation (6-11 weeks to competition) was associated with improved performance. Periodization plans should be adapted to the specialty of swimmers.
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 ».