Even Pacing Is Associated with Faster Finishing Times in Ultramarathon Distance Trail Running—The “Ultra-Trail du Mont Blanc” 2008–2019
Notice bibliographique
Résumé
In recent years, there has been an increasing number of investigations analyzing the effects of sex, performance level, and age on pacing in various running disciplines. However, little is known about the impact of those factors on pacing strategies in ultramarathon trail running. This study investigated the effects of age, sex, and performance level on pacing in the UTMB® (Ultra-trail du Mont Blanc) and aimed to verify previous findings obtained in the research on other running disciplines and other ultramarathon races. Data from the UTMB® from 2008 to 2019 for 13,829 race results (12,681 men and 1148 women) were analyzed. A general linear model (two-way analysis of variance (ANOVA)) was applied to identify a sex, age group, and interaction effect in pace average and pace variation. A univariate model (one-way ANOVA) was used to identify a sex effect for age, pace average, and pace variation for the fastest men and women. In our study, pace average and a steadier pace were positively correlated. Even pacing throughout the UTMB® correlated with faster finishing times. The average pace depended significantly on sex and age group. When considering the top five athletes in each age group, sex and age group also had significant effects on pace variation. The fastest women were older than the fastest men, and the fastest men were faster than the fastest women. Women had a higher pace variation than men. In male competitors, younger age may be advantageous for a successful finish of the UTMB®. Faster male runners seemed to be younger in ultramarathon trail running with large changes in altitude when compared to other distances and terrains.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 ».