The Effects of Performing Mental Exertion during Cycling Exercise on Fatigue Indices
Notice bibliographique
Résumé
Abstract This study investigated the effect of performing prolonged mental exertion during submaximal cycling exercise on exercise tolerance and fatigue. Participants performed 5 experimental sessions. Session 1: determination of cycling peak power output. Sessions 2 and 3: cycling to exhaustion at 65% peak power output with mental exertion or watching a movie. Sessions 4 and 5: cycling for 45 min at 65% peak power output with mental exertion or while watching a movie. During sessions 2–5, rate of perceived exertion and heart rate were recorded while cycling and cortisol and prolactin concentrations, psychomotor vigilance task performance, and maximal voluntary contraction were measured pre-and post-sessions. During sessions 2 and 3, time to exhaustion was reduced (p<0.01) and rate of perceived exertion was increased (p<0.01) in session 2 compared to 3. Cortisol, prolactin and heart rate increased and psychomotor vigilance task and maximal voluntary contraction decreased from pre-to post-sessions with no difference between sessions. Cortisol, prolactin and rate of perceived exertion were higher (p<0.03) in session 4 than 5. Heart rate increased and maximal voluntary contraction decreased from pre-to post-sessions with no difference between sessions. Prolonged mental exertion during cycling exercise reduces exercise tolerance, which appears to be mediated psychologically rather than physiologically.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».