Sleep Health, Individual Characteristics, Lifestyle Factors, and Marathon Completion Time in Marathon Runners: A Retrospective Investigation of the 2016 London Marathon
Notice bibliographique
Résumé
Despite sleep health being critically important for athlete performance and well-being, sleep health in marathoners is understudied. This foundational study explored relations between sleep health, individual characteristics, lifestyle factors, and marathon completion time. Data were obtained from the 2016 London Marathon participants. Participants completed the Athlete Sleep Screening Questionnaire (ASSQ) along with a brief survey capturing individual characteristics and lifestyle factors. Sleep health focused on the ASSQ sleep difficulty score (SDS) and its components. Linear regression computed relations among sleep, individual, lifestyle, and marathon variables. The analytic sample (N = 943) was mostly male (64.5%) and young adults (66.5%). A total of 23.5% of the sample reported sleep difficulties (SDS ≥ 8) at a severity warranting follow-up with a trained sleep provider. Middle-aged adults generally reported significantly worse sleep health characteristics, relative to young adults, except young adults reported significantly longer sleep onset latency (SOL). Sleep tracker users reported worse sleep satisfaction. Pre-bedtime electronic device use was associated with longer SOL and longer marathon completion time, while increasing SOL was also associated with longer marathon completion. Our results suggest a deleterious influence of pre-bedtime electronic device use and sleep tracker use on sleep health in marathoners. Orthosomnia may be a relevant factor in the relationship between sleep tracking and sleep health for marathoners.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».