MétaCan
Menu
← Retour à la cohorte
Enregistrement W4319340226 · doi:10.2196/preprints.45921

US-American professional IRONMAN® triathletes dominate participation but not performance in IRONMAN® races – an internet-based cross-sectional study using a machine learning approach (Preprint)

2023· preprint· en· W4319340226 sur OpenAlexaboutno aff
Beat Knechtle, Mabliny Thuany, David Valero, Elias Villiger, Pantelis Τ. Nikolaidis, Marília Santos Andrade, Ivan Čuk, Katja Weiss

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDemographyPsychologySociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND Since the first edition of IRONMAN® Hawaii in 1981, the number of races and finishers in the IRONMAN® format has increased considerably. Scientific literature has provided many insights into this specific sport discipline. However, we have no knowledge of where the fastest professional IRONMAN® triathletes originate and where the fastest IRONMAN® race courses take place. OBJECTIVE The aim of the present study was to investigate where in the world the fastest IRONMAN® race courses for professional IRONMAN® triathletes are. METHODS Data of all professional female and male IRONMAN® triathletes competing between 2002 and 2022 in all official IRONMAN® races were collected. A total of 6,954 finishers´ records (2,788 women and 4,166 men) from 68 different countries participating in 56 different event locations were considered. Data were analyzed using machine learning (ML) regression models. The models considered gender, country of origin, and event location as independent variables to predict the final race time. Five different algorithms (Random Forest Regressor, XG Boost Regressor, Ada Boost Regressor, Cat Boot Regressor, and Decision Tree Regressor) were examined. RESULTS The race site was the most important variable for the Random Forest Regressor model, while for the other four models, gender was the most important variable. A decision tree algorithm, trained with data from 2002 to 2022, showed that the fastest overall IRONMAN® race times of 08:38:48 h:min:s will be obtained in IRONMAN® Hawaii, IRONMAN® Florida, IRONMAN® Austria, IRONMAN® France, IRONMAN® Wisconsin, IRONMAN® Lanzarote or IRONMAN® Texas by male professional IRONMAN® triathletes originating from any other country than USA, Germany or Canada. Most of the professional IRONMAN® triathletes originated from the USA (1,786), followed by athletes from Germany (674) and Canada (427). Most athletes competed in IRONMAN® Hawaii (926), followed by IRONMAN® Florida (564) and IRONMAN® Austria (454). CONCLUSIONS The fastest IRONMAN® race courses for professional IRONMAN® triathletes are predominately located in the USA. Most of the professional IRONMAN® triathletes originated from the USA. The fastest IRONMAN® race times were achieved by male professional IRONMAN® triathletes originating from any other country than USA, Germany, or Canada. These insights are useful for athletes and coaches in planning their professional IRONMAN® career.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,098
Tête enseignante GPT0,381
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSports Performance and Training→Travaux en français237 207→