Performance Prediction Equation for 2000 m Youth Indoor Rowing Using a 100 m Maximal Test
Notice bibliographique
Résumé
BACKGROUND: The exhaustive series of tests undergone by young athletes of Olympic rowing prior to important competitions imply loads of physical stress that can ultimately impact on mood and motivation, with negative consequences for their training and performance. Thus, it is necessary to develop a tool that uses only the performance of short distances but is highly predictive, offering a time expectancy with high reliability. Such a test must use variables that are easy to collect with high practical applicability in the daily routine of coaches. OBJECTIVE: The objective of the present study was to develop a mathematical model capable of predicting 2000 m rowing performance from a maximum effort 100 m indoor rowing ergometer (IRE) test in young rowers. METHODS: The sample consisted of 12 male rowing athletes in the junior category (15.9 ± 1.0 years). A 100 m time trial was performed on the IRE, followed by a 2000 m time trial 24-h later. RESULTS: = 0.001) and was within usable agreement limits (Bland -Altman Agreement: -0.60 to 0.60; 95% CI [-0.65; 0.67]). CONCLUSION: The mathematical model developed to predict 2000 m performance is effective and has a statistically significant reliability index while being easy to implement with low cost.
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 | 0,000 | 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 ».