Cut-Off Values in the Prediction of Success in Olympic Distance Triathlon
Notice bibliographique
Résumé
Cut-off points and performance-related tools are needed for the development of the Olympic distance triathlon. The purposes of the present study were (i) to determine cut-off values to reach the top three positions in an Olympic distance triathlon; (ii) to identify which discipline present the highest influence on overall race performance and if it has changed over the decades. Data from 1989 to 2019 (n = 52,027) from all who have competed in an official Olympic distance triathlon events (World Triathlon Series and Olympics) were included. The cut-off value to achieve a top three position was calculated. Linear regressions were applied for performance trends overall and for the top three positions of each race. Men had cut-off values of: swimming = 19.5 min; cycling = 60.7 min; running = 34.1 min. Women’s cut-off values were: swimming = 20.7 min; cycling = 71.6 min; running = 38.1 min. The running split seemed to be the most influential in overall race time regardless of rank position or sex. In conclusion, cut-offs were established, which can increase the chances of achieving a successful rank position in an Olympic triathlon. Cycling is the discipline with the least influence on overall performance for both men and women in the Olympic distance triathlon. This influence pattern has not changed in the last three decades.
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 | 0,000 |
| 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 ».