Can Popular High-Intensity Interval Training (HIIT) Models Lead to Impossible Training Sessions?
Notice bibliographique
Résumé
High-Intensity Interval Training (HIIT) is a time-efficient training method suggested to improve health and fitness for the clinical population, healthy subjects, and athletes. Many parameters can impact the difficulty of HIIT sessions. This study aims to highlight and explain, through logical deductions, some limitations of the Skiba and Coggan models, widely used to prescribe HIIT sessions in cycling. We simulated 6198 different HIIT training sessions leading to exhaustion, according to the Skiba and Coggan-Modified (modification of the Coggan model with the introduction of an exhaustion criterion) models, for three fictitious athlete profiles (Time-Trialist, All-Rounder, Sprinter). The simulation revealed impossible sessions (i.e., requiring athletes to surpass their maximal power output over the exercise interval duration), characterized by a few short exercise intervals, performed in the severe and extreme intensity domains, alternating with long recovery bouts. The fraction of impossible sessions depends on the athlete profile and ranges between 4.4 and 22.9% for the Skiba model and 0.6 and 3.2% for the Coggan-Modified model. For practitioners using these HIIT models, this study highlights the importance of understanding these models' inherent limitations and mathematical assumptions to draw adequate conclusions from their use to prescribe HIIT sessions.
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) | 0,001 | 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) | 0,000 | 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 ».