Energy expenditure and intake during Special Operations Forces field training in a jungle and glacial environment
Notice bibliographique
Résumé
The purpose of this study was to identify and compare energy requirements specific to Special Operations Forces in field training, in both cool and hot environments. Three separate training sessions were evaluated, 2 in a hot environment (n = 21) and 1 in a cool environment (n = 8). Total energy expenditure was calculated using doubly labeled water. Dietary intake was assessed via self-report at the end of each training mission day, and macronutrient intakes were calculated. Across the 3 missions, mean energy expenditure (4618 ± 1350 kcal/day) exceeded mean energy intake (2429 ± 838 kcal/day) by an average of 2200 kcal/day. Macronutrient intakes (carbohydrates (g/(kg·day body weight (bw)) −1 ) = 3.2 ± 1.2; protein (g/(kg·day bw) −1 ) = 1.3 ± 0.7; fat (g/(kg·day bw) −1 ) = 1.2 ± 0.7) showed inadequate carbohydrate and possibly protein intake across the study period, compared with common recommendations. Total energy expenditures were found to be similar between hot (4664 ± 1399 kcal/day) and cool (4549 ± 1221 kcal/day) environments. However, energy intake was found to be higher in the cool (3001 ± 900 kcal/day) compared with hot (2200 ± 711 kcal/day) environments. Based on the identified energy deficit, high variation in energy expenditures, and poor macronutrient intake, a greater attention to feeding practices during similar training scenarios for Special Operations Forces is needed to help maintain performance and health. The differences in environmental heat stress between the 2 climates/environments had no observed effect on energy expenditures, but may have influenced intakes.
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 ».