Understanding Training Load as Exposure and Dose
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Various terms used in sport and exercise science, and medicine, are derived from other fields such as epidemiology, pharmacology and causal inference. Conceptual and nomological frameworks have described training load as a multidimensional construct manifested by two causally related subdimensions: external and internal training load. In this article, we explain how the concepts of training load and its subdimensions can be aligned to classifications used in occupational medicine and epidemiology, where exposure can also be differentiated into external and internal dose. The meanings of terms used in epidemiology such as exposure, external dose, internal dose and dose-response are therefore explored from a causal perspective and their underlying concepts are contextualised to the physical training process. We also explain how these concepts can assist in the validation process of training load measures. Specifically, to optimise training (i.e. within a causal context), a measure of exposure should be reflective of the mediating mechanisms of the primary outcome. Additionally, understanding the difference between intermediate and surrogate outcomes allows for the correct investigation of the effects of exposure measures and their interpretation in research and applied settings. Finally, whilst the dose-response relationship can provide evidence of the validity of a measure, conceptual and computational differentiation between causal (explanatory) and non-causal (descriptive and predictive) dose-response relationships is needed. Regardless of how sophisticated or "advanced" a training load measure (and metric) appears, in a causal context, if it cannot be connected to a plausible mediator of a relevant response (outcome), it is likely of little use in practice to support and optimise the training process.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 découle