The Reliability of Measuring Gross Efficiency During High-Intensity Cycling Exercise
Notice bibliographique
Résumé
PURPOSE: To evaluate the reliability of calculating gross efficiency (GE) conventionally and using a back extrapolation (BE) method during high-intensity exercise (HIE). METHODS: A total of 12 trained participants completed 2 HIE bouts (P1 = 4 min at 80% maximal aerobic power [MAP]; P2 = 4 min at 100%MAP). GE was calculated conventionally in the last 3 minutes of submaximal (50%MAP) cycling bouts performed before and after HIE (Pre50%MAP and Post50%MAP). To calculate GE using BE (BGE), a linear regression of GE submaximal values post-HIE were back extrapolated to the end of the HIE bout. RESULTS: BGE was significantly correlated with Post50%MAP GE in P1 (r = .63; P = .01) and in P2 (r = .85; P = .002). Reliability data for P1 and P2 BGE demonstrate a mean coefficient of variation of 7.8% and 9.8% with limits of agreement of 4.3% and 4.5% in relative GE units, respectively. P2 BGE was significantly lower than P2 Post50%MAP GE (18.1% [1.6%] vs 20.3% [1.7%]; P = .01). Using a declining GE from the BE method, there was a 44% greater anaerobic contribution compared with assuming a constant GE during 4-minute HIE at 100%MAP. CONCLUSION: HIE acutely reduced BGE at 100%MAP. A greater anaerobic contribution to exercise as well as excess postexercise oxygen consumption at 100%MAP may contribute to this decline in efficiency. The BE method may be a reliable and valid tool in both estimating GE during HIE and calculating aerobic and anaerobic contributions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».