An Analysis of Participation and Performance of 2067 100-km Ultra-Marathons Worldwide
Notice bibliographique
Résumé
This study aimed to analyze the number of successful finishers and the performance of the athletes in 100-km ultra-marathons worldwide. A total of 2067 100-km ultra-marathon races with 369,969 men and 69,668 women competing between 1960 and 2019 were analyzed, including the number of successful finishers, age, sex, and running speed. The results showed a strong increase in the number of running events as well as a strong increase in the number of participants in the 100-km ultra-marathons worldwide. The performance gap disappeared in athletes older than 60 years. Nevertheless, the running speed of athletes over 70 years has improved every decade. In contrast, the performance gap among the top three athletes remains persistent over all decades (F = 83.4, p < 0.001; pη2 = 0.039). The performance gap between the sexes is not significant in the youngest age groups (20–29 years) and the oldest age groups (>90 years) among recreational athletes and among top-three athletes over 70 years. In summary, especially for older athletes, a 100-km ultra-marathon competition shows an increasing number of opponents and a stronger performance challenge. This will certainly be of interest for coaches and athletes in the future, both from a scientific and sporting point of view.
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 | 0,000 |
| 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 ».