Performance Determinants in Trail-Running Races of Different Distances
Notice bibliographique
Résumé
PURPOSE: While the physiological determinants of road running have been widely studied, there is a lack of research in trail-running racing performance. The aim of our study was to determine the physiological predictors of trail-running performance in races of different distances in similar terrain and weather conditions. METHODS: Seventy-five trail runners participating in one of the races of the Ultra-Trail du Mont-Blanc were recruited. Previous to the race, each runner was evaluated with (1) an incremental treadmill test to determine maximal oxygen uptake, ventilatory thresholds, cost of running, and substrate utilization; (2) a power-force-velocity profile on a cycle ergometer; (3) maximal voluntary contractions of the knee extensors and plantar flexors; and (4) anthropometric characteristics. Neuromuscular fatigue was evaluated after the races. Twenty-four runners finished a SHORT (<55 km), 16 finished a MEDIUM (101 km), and 14 finished a LONG (>145 km) race. Correlations and multiple linear regressions were used to find the determinants of performance in each race distance. RESULTS: Performance in SHORT was explained by maximal oxygen uptake and lipid utilization at 10 km/h (r2 = .825, P < .001). Performance in MEDIUM was determined by maximal oxygen uptake, maximal isometric strength, and body fat percentage (r2 = .917, P < .001). A linear model could not be applied in LONG, but performance was correlated to peak velocity during the incremental test. CONCLUSIONS: Performance in trail running is mainly predicted by aerobic capacity, while lipid utilization also influences performance in races <60 km and performance in approximately 100 km is influenced by muscle strength and body composition.
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 ».