The Effects of Physical and Mental Fatigue on Time Perception
Notice bibliographique
Résumé
The perception of time holds a foundational significance regarding how we elucidate the chronological progression of events. While some studies have examined exercise effects on time perception during exercise periods, there are no studies investigating the effects of exercise fatigue on time perception after an exercise intervention. This study investigated the effects of physical and mental fatigue on time estimates over 30 s immediately post-exercise and 6 min post-test. Seventeen volunteers were subjected to three conditions: physical fatigue, mental fatigue, and control. All participants completed a familiarization session and were subjected to three 30 min experimental conditions (control, physical fatigue (cycling at 65% peak power output), and mental fatigue (Stroop task)) on separate days. Time perception, heart rate, and body temperature were recorded pre-test; at the start of the test; 5, 10, 20, 30 seconds into the interventions; post-test; and at the 6 min follow-up. Rating of perceived exertion (RPE) was recorded four times during the intervention. Physical fatigue resulted in a significant (p = 0.001) underestimation of time compared to mental fatigue and control conditions at the post-test and follow-up, with no significant differences between mental fatigue and control conditions. Heart rate, body temperature, and RPE were significantly (all p = 0.001) higher with physical fatigue compared to mental fatigue and control conditions during the intervention and post-test. This study demonstrated that cycling-induced fatigue led to time underestimation compared to mental fatigue and control conditions. It is crucial to consider that physical fatigue has the potential to lengthen an individual’s perception of time estimates in sports or work environments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».