Training load and intensity distribution for sprinting among world-class track cyclists
Notice bibliographique
Résumé
BACKGROUND: Only few studies analyzed real training programs of sprinters while that should be a valuable step in the understanding of sprint training. The present study aimed at characterizing track cycling sprinter training by training load and intensity distribution. METHODS: Twenty-nine weeks of prechampionship training data were retrospectively analyzed for 6 world-class athletes. Training load was measured by the ratio of volume completed to maximal volume and categorized by five intensity zones (endurance: zones1-2; sprinting: zones3-5) and exercise type (on-bike or resistance). Intra-week (training monotony) and inter-week (acute-chronic workload ratio) variation was also studied. RESULTS: On-bike training represented 77.4±15.3% of total training load; resistance training, 22.6±15.2% (note high standard deviation). Total weekly training load significantly varied (P=0.0002) with high acute-chronic workload ratio (12.0±3.2 weeks >1.5 or <0.8), but low intra-week variations (training monotony, 1.81±0.20). Zone4 and zone5 made up 74.4±16.9% of total training load; zone1, 15.8±11%. Training load was seldom in zone2 (6.4±5.3%) or zone3 (3.3±4.2%). From the first to the second half of the period, zone3-4 training load decreased (39.3±3.3 to 27.4±1.7%; P=0.01), while zone5 increased (34.9±2.4 to 50±3.7%; P=0.002). CONCLUSIONS: In this reduced group of elite athletes, training appeared to mainly consist of on-bike exercises within the highest intensity zones. As demonstrated by monotony and acute-chronic workload ratio overloading and unloading are based on high variations over weeks, not days. Essentially, this study describes a polarized intensity distribution on the highest intensities which increased with world championships approach.
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 | 0,001 | 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 ».