Speed and cadence adaptations during overground sloped running under real-world conditions
Notice bibliographique
Résumé
Abstract Background Biomechanical adaptations to sloped running have been widely studied in laboratory settings, but these are limited by artificial conditions and constrained speeds. Advances in wearable technology now allow for analysis of running biomechanics in real-world environments. Aims This study examined the relationship between surface gradient, running speed, and cadence in recreational runners using field-based data. Methods Data were extracted from the We-TRAC database, comprising GPS-enabled Garmin watch records. Runs were included if they spanned at least 5 km, featured elevation changes over 100 m, and averaged speeds above 1.2 m/s. Each run was segmented into 100 m intervals and categorized by slope: uphill (+ 3 to 15%), level (− 2 to + 2%), and downhill (− 3 to − 15%). Results A total of 148 participants (3001 runs) were included. Uphill segments showed significantly reduced cadence and speed compared to level segments ( p < 0.001, Cohen’s d = 0.30–1.13). Downhill segments were associated with significantly higher speed ( p = 0.013, Cohen’s d = 0.213) but no change in cadence ( p = 0.694). Within individual runners, increases in slope were associated with decreases in both cadence and speed during uphill running, though this pattern was less consistent during downhill running. Conclusion These findings underscore slope-dependent adaptations in real-world running and highlight the utility of wearable data in capturing ecological biomechanics. Recreational runners naturally adjust their cadence and speed according to gradient, suggesting that training programs and wearable feedback systems should account for slope to better monitor performance and reduce injury risk.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».