Six Sessions of Sprint Interval Training Improves Running Performance in Trained Athletes
Notice bibliographique
Résumé
Koral, J, Oranchuk, DJ, Herrera, R, and Millet, GY. Six sessions of sprint interval training improves running performance in trained athletes. J Strength Cond Res 32(3): 617-623, 2018-Sprint interval training (SIT) is gaining popularity with endurance athletes. Various studies have shown that SIT allows for similar or greater endurance, strength, and power performance improvements than traditional endurance training but demands less time and volume. One of the main limitations in SIT research is that most studies were performed in a laboratory using expensive treadmills or ergometers. The aim of this study was to assess the performance effects of a novel short-term and highly accessible training protocol based on maximal shuttle runs in the field (SIT-F). Sixteen (12 male, 4 female) trained trail runners completed a 2-week procedure consisting of 4-7 bouts of 30 seconds at maximal intensity interspersed by 4 minutes of recovery, 3 times a week. Maximal aerobic speed (MAS), time to exhaustion at 90% of MAS before test (Tmax at 90% MAS), and 3,000-m time trial (TT3000m) were evaluated before and after training. Data were analyzed using a paired samples t-test, and Cohen's (d) effect sizes were calculated. Maximal aerobic speed improved by 2.3% (p = 0.01, d = 0.22), whereas peak power (PP) and mean power (MP) increased by 2.4% (p = 0.009, d = 0.33) and 2.8% (p = 0.002, d = 0.41), respectively. TT3000m was 6% shorter (p < 0.001, d = 0.35), whereas Tmax at 90% MAS was 42% longer (p < 0.001, d = 0.74). Sprint interval training in the field significantly improved the 3,000-m run, time to exhaustion, PP, and MP in trained trail runners. Sprint interval training in the field is a time-efficient and cost-free means of improving both endurance and power performance in trained 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 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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».