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 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,005 | 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 ».