Predicting 6000m Performance Time in Junior Rowers using a 500m Indoor Rowing Test
Notice bibliographique
Résumé
The present study aimed to develop a mathematical model to estimate the performance of an indoor rowing event of 6000m through an 500 m all out test in junior athletes. We selected141 subjects from the Brazilian rowing confederation database (15.9 ± 1.0 years), subsequently randomised the sample to the development (~70%) and cross-validation (~30%) groups of the mathematical model. Performance data for 500m and 6000m were collected (there was a 48h washout between one test and anoth-er).Subsequently, the mathematical model: Time(min) 6000m = { [( Time(s) 500-m * 6) * 2] / 60} + 1.3, was developed by arithmetic modeling using machine learning and Regression analysis, being tested by intraclass correlation coefficient (ICC), Concordance correlation coefficient (CCC), Validity (Cb ), preci-sion (ρ) and bland-Altman plotting. The prediction of the result of 6000m through the mathematical model utilizando apenas o desempenho de 500m “all-out” test showed a significant reliability in de-velopment group (r2 = 0.730, ICC = 0.753; CCC = 0.895, Cb = 0.879, ρ: 0.957, pure error: 0.2 secounds (1.0% estimative error)); and in cross-validation group (r2 = 0.710, ICC = 0.747; CCC = 0.888, Cb = 0.875, ρ: 0.903, pure error: 0.3 secounds (1.4% estimative error)). When comparing the estimated re-sults of the 6000m performance by the mathematical model with the real performance of 6000m per-formed in indoor rowing, no statistical differences were observed. In addition, the mathematical model did not present a significant proportion bias in relation to the 6000 m performance in both groups. The mathematical model for predicting 6000m performance through a 500m fast test was significant for national level junior rowing athletes.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».