Training and match load in professional rugby union: Do contextual factors influence the training week?
Notice bibliographique
Résumé
Background: Rugby union demands a multifaceted approach to training, given the multiple physical and technical attributes required to play the sport. Objectives: The aim of this study is to describe the distribution of training throughout the week and investigate how this may be influenced by match-related factors. Methods: Training load data (session Rating of Perceived Exertion [sRPE], total distance and high-speed running [HSR]) were collected from six professional English rugby teams during the 2017/18 season. Five contextual factors were also recorded including: standard of opposition, competition type, result of previous fixture, surface type, and match venue. Results: The day prior to matches demonstrated the lowest training load (101 AU (95% CIs: 0-216 AU), 1 047 m (95% CIs:1 128-1 686 m) and 59 m (95% CIs: 0-343 m), respectively), while four days prior to the match demonstrated the highest training load (464 AU (95% CIs: 350-578), 2 983 m (95% CIs: 2 704-3 262m) and 234m (95% CIs: 0-477m), respectively). Of the five contextual factors, competition type was the only variable that demonstrated greater than trivial findings, with training before European fixtures the lowest stimulus across the four different competition types. Standard of opposition, previous result, surface type and venue had only trivial effects on training load (effect sizes = -0.13 to 0.15). Conclusion: Future studies should outline the distribution of other training metrics, including contact and collision training. This study provides a multi-club evaluation that demonstrates the variety of loading strategies prior to competitive match play and highlights competition type as the most influential contextual factor impacting the average training load.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».