Common questions and misconceptions about caffeine supplementation: what does the scientific evidence really show?
Notice bibliographique
Résumé
Caffeine is a popular ergogenic aid that has a plethora of evidence highlighting its positive effects. A Google Scholar search using the keywords "caffeine" and "exercise" yields over 200,000 results, emphasizing the extensive research on this topic. However, despite the vast amount of available data, it is intriguing that uncertainties persist regarding the effectiveness and safety of caffeine. These include but are not limited to: 1. Does caffeine dehydrate you at rest? 2. Does caffeine dehydrate you during exercise? 3. Does caffeine promote the loss of body fat? 4. Does habitual caffeine consumption influence the performance response to acute caffeine supplementation? 5. Does caffeine affect upper vs. lower body performance/strength differently? 6. Is there a relationship between caffeine and depression? 7. Can too much caffeine kill you? 8. Are there sex differences regarding caffeine's effects? 9. Does caffeine work for everyone? 10. Does caffeine cause heart problems? 11. Does caffeine promote the loss of bone mineral? 12. Should pregnant women avoid caffeine? 13. Is caffeine addictive? 14. Does waiting 1.5-2.0 hours after waking to consume caffeine help you avoid the afternoon "crash?" To answer these questions, we performed an evidence-based scientific evaluation of the literature regarding caffeine supplementation.
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 | 0,204 | 0,498 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,009 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».