Preliminary Analysis of Pacing Strategies in Professional Basketball
Notice bibliographique
Résumé
Introduction:Pacing is the distribution of muscular work rate during exercise (Foster et al., 2004). Although pacing has been studied extensively in individual endurance sports, little research has investigated the distribution of work rates within team sports. The aim of thispreliminary investigation was to analyse workload distribution of an individual player over the course of a basketball game. Methods:A professional male basketball player (small forward; age (years) – 24; height (cm) – 196; body mass (kg) – 85.2) from a British BasketballLeague team participated in this study. 1 digital video camera (Sony DRV900E) was used to film a home game which was replayed onSportsCode software for coding of activity patterns. Activities were coded based on five arbitrary locomotor categories in a horizontaldirection (Dogramaci et al., 2011). Categories 0,1,2,3 and 4 corresponded to non-participation (i.e. substituted), stationary, walking, jogging, and sprinting respectively. Frequency of actions within each category were calculated for each quarter (Q1,2,3,4) of the match and the Coefficient of Variation (CV) was used to indicate the degree of variability in actions performed. Results:The player was active during Q1, Q2, and Q3 but did not participate in Q4. The frequency of category 1, 2, and 3 actions was greatest in Q1, while the greatest frequency of category 4 activity (sprinting) occurred in Q2. Analysis of CV indicates that the degree of variability in total activity values decreased from 68.5%, to 46.5% and 45% through Q1, Q2 and Q3, respectively. Discussion:Pacing changes were observed throughout the gamewith less heterogeneous patterns occurring in the second and third quarters, largely due to the high frequency of periods when theplayer was engaged in lower intensity (category 1 and 2) activities in Q1. However, no ‘end-spurt’ phenomenon could be identified sincethe player was substituted and did not play during Q4. Currently, there is little known about the exact mechanisms underpinning workrate distribution with a range of physiological, psychological and tactical factors potentially contributing to the selection and maintenance of different pacing strategies (St Clair Gibson et al., 2006). Match dynamics and positive emotional state may have affected the player’s pacing strategy with no reduction in work-rate as the match progressed because the team was winning. Therefore, further research examining pacing strategies during basketball is warranted. References:Dogramaci SN, Watsford ML, Murphy JA (2011). J Strength and Cond Res, 25 (3), 852-859. Foster C, de Koning JJ, Hettinga F, Lampen J, Dodge C, Bobbert M, Porcari JP (2004). Int J Sports Med, 25 (3), 198-204. St Clair Gibson A, Lambert EV, Rauch LHG, Tucker R, Baden DA, Foster C, Noakes DT (2006). Sports Medicine, 36 (8), 705-722.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».