© 2010 Canadian Medical Association or its licensors
Notice bibliographique
Résumé
in endurance sports have been shroudedin controversy for the past 30 years because manyathletes, intent on winning races and achieving faster times, have turned to banned performance-enhancing drugs. The World Anti-Doping Agency’s 2009 list of prohibited substances and methods includes erythropoietin, other erythropoiesis-stimulating agents and various methods designed to enhance oxygen transfer.1 The effects of these agents and methods are thought to be primarily beneficial in endurance sports such as distance running and cycling. Despite the prohibition, the use of these drugs and tech-niques persists, as evidenced by continued positive results of drug tests in and out of competition. Altitude training has also become common among endurance athletes, because it has been associated with an increase in performance and in serum hemoglobin and hema-tocrit levels. However, this response is transient — the phys-iologic variables return to their baseline soon after the athlete returns to sea level.2 This moderate performance benefit is outweighed by several severe and life-threatening risks, including pulmonary edema,3 cerebral edema4 and severe flatulence.5 While athletes endanger their careers and well-being in attempts to gain small benefits with illicit or inconvenient practices, a legal, nonprescription alternative has been largely ignored by athletes, coaches and exercise physiologists alike. Cigarette smoking has been shown to increase serum hemo-globin and hematocrit levels, increase lung volume and stimu-late weight loss — characteristics all known to enhance per-formance in endurance sports. This paper will discuss the potential benefits of cigarette smoking to endurance perfor-mance and make recommendations as to how individuals and national bodies could effectively integrate this practice into high-performance training programs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».