The time courses of runners’ recovery‐stress responses after a mountain ultra‐marathon: Do appraisals matter?
Notice bibliographique
Résumé
Abstract Objectives : The aim of this study was to: (a) examine the time courses of runners’ recovery‐stress states within the month following a demanding Mountain Ultra‐Marathon (MUM) race; and (b) explore the role of primary and secondary appraisals in these trajectories. Design : A seven‐wave one‐month longitudinal design was used with one measurement point within two days before the race to measure appraisals and six time points within the month following the race to assess recovery‐stress states experienced by athletes. Method : A multilevel growth curve analysis approach was used among a sample of 29 MUM runners. Results : Recovery‐stress states were characterized by distinct trajectories during the month following MUM race. Results of multilevel growth curve analyses showed significant linear increases of general and total recovery, significant linear decreases of general, sport‐specific and total stress and a positive quadratic effect of squared time (U shape over time) on specific recovery. Primary appraisal significantly positively predicted levels of sport‐specific recovery, total, general and sport‐specific stress and significantly negatively predicted total and general recovery. Secondary appraisal significantly negatively predicted total and general stress. Conclusions : This study provided insights into the role played by appraisals on the recovery‐stress states experienced by MUM runners the month following a demanding MUM race. Operational strategies were suggested in order to optimize the recovery‐stress balance and in turn psychological adaptation processes in response to an ultra‐endurance race.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».