Training Volume and Training Frequency Changes Associated with Boston Marathon Race Performance
Notice bibliographique
Résumé
BACKGROUND: Physical training influences competitive marathon performance, including training volume and training frequency changes (TFCs) pre-race. Training intensity distribution (i.e., steady-state, quality sessions, interval training) and cross-training contribute to volume and TFCs that may influence performance. OBJECTIVE: The aim of this study is to assess the relationships among training and TFCs preceding the 2022 Boston Marathon and race performance. METHODS: Adult 2022 Boston Marathon registrants were contacted via email 1 month pre-race. Athletes reported demographics, training/racing experience, and training pre-race. TFCs were calculated by comparing two timeframes: 12-4 and 4-0 month pre-race training. Official race performance was obtained from chip timing data and demographics. Separate linear regressions were used to assess the effects of training and cross-training in 12-4 and 4-0 months pre-race and TFCs on performance, accounting for experience and demographics. RESULTS: In total, 917 athletes were included (female: n = 495, 3:53 ± 0:37 h race times, 64.4 ± 24 km/week weekly distance; male: n = 422; 3:35 ± 0:39 h race times, 67.6 ± 26.2 km/week weekly distance). Higher running distance/week, running sessions/week (n), quality sessions/week ("hard sessions"; n), average distance in the 12-4 and 4-0 months pre-race (p ≤ 0.050), and more cross-training (p < 0.001) in the 4-0 months pre-race were associated with faster times and performance. Runners with TFCs of decreased running sessions/week (p = 0.035) had faster times and better performance versus athletes who maintained/increased volume. CONCLUSION: Habitually higher training exposure 12-4 and 4-0 months, but relatively reduced training frequency 4-0 months pre-race, contributed to better marathon 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».