Minimalist Training: Is Lower Dosage or Intensity Resistance Training Effective to Improve Physical Fitness? A Narrative Review
Notice bibliographique
Résumé
BACKGROUND: Findings from original research, systematic reviews, and meta-analyses have demonstrated the effectiveness of resistance training (RT) on markers of performance and health. However, the literature is inconsistent with regards to the dosage effects (frequency, intensity, time, type) of RT to maximize training-induced improvements. This is most likely due to moderating factors such as age, sex, and training status. Moreover, individuals with limited time to exercise or who lack motivation to perform RT are interested in the least amount of RT to improve physical fitness. OBJECTIVES: The objective of this review was to investigate and identify lower than typically recommended RT dosages (i.e., shorter durations, lower volumes, and intensity activities) that can improve fitness components such as muscle strength and endurance for sedentary individuals or beginners not meeting the minimal recommendation of exercise. METHODS: Due to the broad research question involving different RT types, cohorts, and outcome measures (i.e., high heterogeneity), a narrative review was selected instead of a systematic meta-analysis approach. RESULTS: It seems that one weekly RT session is sufficient to induce strength gains in RT beginners with < 3 sets and loads below 50% of one-repetition maximum (1RM). With regards to the number of repetitions, the literature is controversial and some authors report that repetition to failure is key to achieve optimal adaptations, while other authors report similar adaptations with fewer repetitions. Additionally, higher intensity or heavier loads tend to provide superior results. With regards to the RT type, multi-joint exercises induce similar or even larger effects than single-joint exercises. CONCLUSION: The least amount of RT that can be performed to improve physical fitness for beginners for at least the first 12 weeks is one weekly session at intensities below 50% 1RM, with < 3 sets per multi-joint exercise.
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 | 0,006 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».