Predicting Future Performance in Powerlifting: A Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND: Powerlifting is a discipline in which athletes aim to lift the maximum weight in 3 exercises: Squat, Bench Press, and Deadlift. Since the introduction of "Classic" powerlifting by the International Powerlifting Federation (IPF) in 2012, there has been an increase in popularity, athlete participation, and attention from sports science research. Previous studies have examined factors influencing the long-term longitudinal adaptation of upper- and lower-body strength, but no one used this information to develop predictive models of future classic powerlifting performances, especially considering the different age, sex, and weight categories, with the final aim of tailoring the medium- and long-term training goals. This study aims to develop and validate a machine learning-based linear regression model to predict single-lift and overall performance in classic powerlifters. The model considered variables such as sex, age, weight, initial strength levels, and competition history. The study also seeks to provide European normative powerlifting performance data across different categories to assist in talent identification and optimization of training. RESULTS: 0.90 to 0.94), with no differences between mean values (p 0.733 to 0.930), extremely large correlations (r 0.95 to 0.97), and no significant bias (z-score - 1.78 to - 0.64) between predicted and actual performance values across all lifts. CONCLUSIONS: The developed machine learning model provides valid and accurate predictions of individual powerlifting performance, by accounting for various individual characteristics. The model can assist coaches and athletes in setting realistic training goals and monitoring progress. Moreover, normative data for each lift and total performance were provided, stratified by sex, age, weight category, and initial strength levels, offering valuable benchmarks for athletes and coaches.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».