Commentaries on Viewpoint: Resistance training and exercise tolerance during high-intensity exercise: moving beyond just running economy and muscle strength
Notice bibliographique
Résumé
EDITOR: A consistent increase in endurance performance has often been observed after resistance training (RT) (4).Based on the critical power (CP) concept, Denadai and Greco (1) recently proposed an interesting model to explain this RT-induced improvement in endurance performance.According to these authors, the gains (35-60%) in the curvature constant of the power-duration hyperbola (W=) could explain the performance improvements during constant-workload exercises performed above the CP after a RT program.However, it is important to highlight that during most athletic events, the intensity of the exercise is not previously fixed, but self-selected by the athletes.The intensity distribution during middle-and long-distance running races has often been characterized by a U-shaped pacing profile, with start and finish intensities being higher than in the middle part of the race (5).This U-shaped pacing makes the W= use more complex, because athletes might switch from one exercise intensity domain to another throughout the race (3).This could indicate that the increase in W= with RT might be more relevant for some specific parts of the race, in which athletes perform at intensities above the CP, such as during the fast start and the final sprint.This suggestion is in agreement with previous findings showing that RT can counteract fatigue during the last part of a running race (2).Therefore, further research in this exciting area is necessary to elucidate the influence of RT on W= and its possible relationship with changes in specific parts of self-paced, real races.
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 | 0,008 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,046 | 0,043 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,011 |
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 ».