The accurate prediction of sweat rate from energy expenditure and air temperature: a proof-of-concept study
Notice bibliographique
Résumé
This proof-of-concept study used a web application to predict runner sweat losses using only energy expenditure and air temperature. A field study (FS) of n = 37 runners was completed with n = 40 sweat loss observations measured over 1 h (sweat rate, SR). Predictions were also compared with 10 open literature (OL) studies in which individual runner SR was reported (n = 82; 109 observations). Three prediction accuracy metrics were used: for FS, the mean absolute error (MAE) and concordance correlation coefficient (CCC) were calculated to include a 95% confidence interval [CI]; for OL, the percentage concordance (PC) was examined against calculation of accumulated under- and over-drinking potential. The MAE for FS runners was 0.141 kg [0.105, 0.177], which was less than estimated scale weighing error on 85% of occasions. The CCC was 0.88 [0.82, 0.93]. The PC for OL was 96% for avoidance of both under- and over-drinking and 93% overall. All accuracy metrics and their CIs were below acceptable error tolerance. Input errors of ±10% and ±1 °C for energy expenditure and air temperature dropped the PC to between 84% and 90%. This study demonstrates the feasibility of accurately predicting SR from energy expenditure and air temperature alone. Novelty Results demonstrate that accurate runner SR prediction is possible with knowledge of only energy expenditure and air temperature. SR prediction error was smaller than scale weighing error in 85% of observations. Accurate runner SR prediction could help mitigate the common risks of over- and under-drinking.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».