The association of origin and environmental conditions with performance in professional IRONMAN triathletes
Notice bibliographique
Résumé
We have (i) little knowledge about where the fastest professional IRONMAN triathletes originate from and where the fastest races take place and (ii) we have no knowledge of the optimal weather conditions for an IRONMAN triathlon. The aims of the present study were, therefore, (i) to investigate the origin and the fastest IRONMAN race courses for professional triathletes and (ii) to evaluate the best environmental conditions (i.e. water and air temperatures and type of race course) for the fastest IRONMAN race times in professional IRONMAN triathletes. Data of all professional female and male IRONMAN triathletes competing between 2002 and 2022 in all IRONMAN races held worldwide were collected. A total of 6,943 finishers´ records (4,162 from men and 2,781 from women) from 58 different countries participating in 54 different event locations between 2002 and 2022 were considered. Data was analyzed using descriptive statistics and machine learning (ML) regression models. The models considered gender, country of origin, event location, water, and air temperature as independent variables to predict the final race time. Three different ML models were built and evaluated, based on three algorithms, in order of growing complexity and predictive power: Decision Tree Regressor, Random Forest Regressor, and XG Boost Regressor. Most of the athletes originated from the USA (1786), followed by athletes from Germany (674), Canada (426), Australia (396), United Kingdom (342), France (325), and Switzerland (276). Most of the athletes competed in IRONMAN Hawaii (925), IRONMAN Florida (563), IRONMAN Austria (452), IRONMAN France (354), IRONMAN Wisconsin (330), IRONMAN Lanzarote (322) and IRONMAN Texas (313). The Decision Tree and the XG Boost models were the best performing models (r$^{2}$ = 0.48) and rated the relative feature importances in the order gender, country of origin, water temperature, air temperature and event location. Men were on average ~ 0.8 h faster than women. Switzerland had the fastest and Japan and Slovakia the slowest athletes. IRONMAN Brazil Florianopolis, IRONMAN Barcelona, and IRONMAN Louisville hold the fastest races. Optimal water temperature was over 22 °C and optimal air temperature between 19 and 26 °C. Between 2002 and 2022, most professional IRONMAN triathletes originated from the USA, and most professional IRONMAN triathletes competed in IRONMAN Hawaii. The fastest athletes originated from Switzerland, the fastest race courses were IRONMAN Brazil Florianopolis, IRONMAN Barcelona, and IRONMAN Louisville. The fastest race times were achieved in water temperature warmer than 22 °C and air temperature between 19 and 26 °C.
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 | 0,001 |
| 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) | 0,002 | 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 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 ».