Successful Pacing Profiles of Olympic and IAAF World Championship Middle-Distance Runners Across Qualifying Rounds and Finals
Notice bibliographique
Résumé
PURPOSE: This was the first study to analyze high-resolution pacing data from multiple global championships, allowing for deeper and rigorous analysis of pacing and tactical profiles in elite-standard middle-distance racing. The aim of this study was to analyze successful and unsuccessful middle-distance pacing profiles and variability across qualifying rounds and finals. METHODS: Finishing and 100-m split speeds and season's best times (SB) were collected for 265 men and 218 women competing in 800 m and 1500 m races, with pace variability expressed using coefficient of variation (CV). RESULTS: In both events, successful athletes generally separated themselves from slower athletes in the final 200 m, not by speeding up, but by avoiding slowing compared with competitors. This was despite different pacing profiles between events in the earlier part of the race preceding the endspurt. Approximately 10% of athletes ran SBs, showing a tactical approach to elite-standard middle-distance racing, and possible fatigue across rounds. Men's and women's pacing profiles were remarkably similar within each event, but the previously undescribed seahorse-shaped profile in the 800 m (predominantly positive pacing) differed from the J-shaped negative pacing of the 1500 m. Pacing variability was high compared with world records, especially in the finals (CV: 5.2 - 9.1%), showing that athletes need to be able to vary pace and cope with surges. CONCLUSIONS: Previous studies have focussed more on athletes in finals, but the present study showed that the best athletes had the physiological capacity to vary pace and respond to surges through successive competition rounds.
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 | 0,001 |
| 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 ».