Lower volume throughout the taper and higher intensity in the last interval session prior to a 1500 m time trial improves performance
Notice bibliographique
Résumé
Eight highly trained middle-distance runners (1500 m personal best 4:01.4 ± 0:09.2 min) completed two 7-day tapers, separated by at least 3 weeks of regular training: (i) prescribed using prediction models from elite middle-distance runners, where continuous running volume was reduced by 30% and interval intensity was equal to 1500 m race pace (RP); and (ii) continuous running volume was reduced by 60% and intensity of the final interval session was completed at 110% of 1500 m race pace (HI). Performance was assessed using 1500 m time trials on an indoor 200 m track 1 day before, and 1 day after each taper. Performance time was improved after HI by 5.2 ± 3.7 s (mean ± 90% confidence limits, p = 0.03) and by 3.2 ± 3.8 s after RP (p = 0.15). The first and second 300 m segments of the 1500 m time trial were faster post-taper in RP (p = 0.012 and p = 0.017, respectively) and HI (both p = 0.012). Running faster than race pace late in a low-volume taper is recommended to improve 1500 m track performance. A positive pacing strategy is adopted after tapering, although care should be taken to avoid an over-fast start. Novelty: A large reduction in volume during tapering and an increase in final interval session intensity improves running performance. Athletes adopt a negative pacing strategy before tapering and a positive-pacing strategy after tapering.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».