Pacing strategy of a wheelchair athlete in a 5x and 10x Ironman ultra triathlon: a case study
Notice bibliographique
Résumé
OBJECTIVE: For disabled athletes such as wheelchair athletes, there is no knowledge about competing and pacing during a long-distance triathlon such as an Ironman triathlon. This study aimed to investigate the pacing strategy of a paraplegic wheelchair athlete competing and finishing a Quintuple Iron ultra-triathlon (i.e., five times 3.8 km swimming, 180 km handbike cycling and 42.195 km wheelchair racing in five days) and a Deca Iron ultra-triathlon (10 times the same distance in 10 days). METHODS: Data from an ultra-distance triathlon race (Swissultra) covering 5x and 10x Ironman distance were collected. Official performance data were acquired from the race organizer's website and athlete's personal information from the athlete through online interviews. The athlete is a man born in 1962, the races analysed in this study were held in the summer of 2017 (5x) and 2019 (10x). The split times for swimming, cycling and running, the overall race times for each Ironman and the lap times in cycling (handbike) and running (wheelchair) were analysed. RESULTS: The athlete finished the Quintuple Iron ultra-triathlon in an overall race time of 66:28:31 h:min:s and the Deca Iron ultra-triathlon in 137:03:20 h:min:s. He adopted an even pacing in both races in split disciplines and for overall race time. CONCLUSION: The paraplegic wheelchair athlete was able to finish both a Quintuple and a Deca Iron ultra-triathlon by adopting an even pacing in all split disciplines and for overall race time.IMPLICATIONS FOR REHABILITATIONTriathlon is a growing sport among athletes with spinal cord injury.Ultra-triathlons are ultra-endurance events and pacing is a key aspect to a successful race regardless the athlete's category.An athlete with a spinal cord injury finished a 5x and 10x Ironman ultra-triathlon applying an even pacing strategy.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,000 | 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 tête enseignante, 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 ».