Running Experience And Training Factors Influence On Boston Marathon Performance
Notice bibliographique
Résumé
Various aspects of running training load may influence competitive endurance performance, including training volume, and training behavior changes (TBCs) leading up to races. Beyond training volume, recent research has suggested accounting for run types and cross-training when quantifying volume and TBCs that may influence athlete performance. PURPOSE: Assess the relationship between running experience, running load (volume and run types) and cross-training volume, and TBCs leading up to the 2022 Boston Marathon on race performance. METHODS: Boston Marathon adult registrants were contacted via email one month prior to the race for study survey participation. Athletes reported demographics, experience (N previous marathons), training volume (days, hr, and km/wk), run workouts (run workouts/wk), and cross-training (days/wk) in the past year and 4-months prior to the race. TBCs were calculated by comparing 4-month and year metrics. Official finish places within divisions were obtained through the race website using bib numbers. Separate linear regressions were used to 1) assess effects of running experience, training, and cross-training in the past 4 months on division rankings, and 2) assess effects of changes in TBCs on division rankings (binned: +/- 2 or more activity change). Age, sex, and experience were covariates in both models. RESULTS: There were 919 runners included in analyses (Females: 496, Males: 423). Accounting for covariates, running training and cross-training behaviors in the past year explained 42.3% of the variance in division rankings (p < 0.001). Running 10 or 15+ hr/wk (p-range: 0.006-0.007), average increased km/wk (p < 0.001) and performing 2 or 3 workouts/wk (p-range: <0.001-0.03) were each associated with higher division finish places. TBCs explained 33.5% of the variance in division rankings (p < 0.001); runners who decreased their number of weekly runs (p = 0.05) and workouts (p = 0.05) leading up to the race had higher division rankings compared to athletes who maintained/increased volume. CONCLUSIONS: While habitually higher training exposure contributed to improved marathon performance, notably, reduced training volume/workouts by 2 or more activities in the 4 months prior to the race contributed to more optimal performance.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,008 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».