Where Are the Best European Road Runners and What Are the Country Variables Related to It?
Notice bibliographique
Résumé
Background: The environment can play a relevant role in performance in runners. This study aimed to verify the distribution of the best European road runners across the continent, and to investigate variables related to country representatives in the European Senior outdoor top list 2019. Methods: The sample comprised 563 European runners, aged 18–48 years, ranked in the European Senior outdoor top list 2019 for distances of 10–42 km. Country-related variables were gross domestic product (GDP), competition place, population size, and sports investment. The countries were categorized as “top ten countries” or “other countries”. Binary logistic regression was used for analysis. Results: The United Kingdom showed the highest prevalence of runners in the ranking (men—17.6%; women—23.0%), followed by Spain (male ranking—12.1%) and Germany (female ranking—8.6%). For men, sports investment (OR = 1.13; CI95% = 1.03–1.28) and country GDP (OR = 0.96; CI95% = 0.93–0.98) showed an association with the chances of the athlete to reach the Top 10 ranking, while among women, the only variable significantly related was the competition venue (OR = 3.97; CI95% = 1.40–11.23). Conclusion: As in other sports considered “non-expensive”, the economic and demographic characteristics of the place where athletes train can provide advantages in performance.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».