Comparison of different measures to monitor week-to-week changes in training load in high school runners
Notice bibliographique
Résumé
Training load is commonly used to monitor training stress and is the product of external and internal physiological loads experienced by an athlete. With emerging wearable technology, it is possible to evolve existing external load measurement from duration or distance to runner-specific biomechanical data, which when combined with existing measures of internal load such as session rating of perceived exertion (sRPE), may improve the quantification of training stress. This study compared week-to-week changes in training duration with different training loads obtained from common and more individualized measures of external load. The training of nine male high school cross-country runners from the same team undertaking the same training program was monitored for two consecutive weeks. This two-week cycle included a “coach-prescribed” low and high training load week. Training loads were calculated with sRPE and external load measures including: duration (minutes), Step Count, “Bone Stimulus” (IMeasureU), and cumulative vertical force. Weekly distances (in miles) were also measured. Between-week percent change (%Δ) was compared among training loads and minutes using paired t-tests and Cohen’s d effect size. Different %Δ were found between sRPExMinutes (%Δ=65 ± 25%; p = 0.002, d = 1.83), sRPExStep Count (%Δ=66 ± 31%; p = 0.006, d = 2.06), sRPExForce (%Δ=66 ± 29%; p = 0.002, d = 1.91), and miles (%Δ=28 ± 13%; p = 0.019, d = 0.71) compared to minutes (%Δ=20 ± 8%). These findings highlight that only using weekly volume can greatly misrepresent changes in training stress in runners. We therefore encourage coaches and practitioners to consider training monitoring approaches beyond just weekly distance or duration. Simple measures of training load that include duration and sRPE might be sufficient.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».