Bibliometric analysis of articles on high intensity training (HIIT) and sleep in the Web of Science database
Notice bibliographique
Résumé
The relationship between high-intensity interval training (HIIT) and sleep has received increasing attention in sports science and health. This study aimed to analyze HIIT and sleep literature using a bibliometric approach to examine publication trends, thematic fields, interdisciplinary structures, and collaboration networks. We analyzed 68 articles published between 2000 and 2025 from the Web of Science database. The findings showed that publication volume peaked in 2019, whereas citation impact intensified in 2020-2023. Keyword co-occurrence analysis revealed that the literature is centered on exercise physiology, recovery processes, and circadian rhythm effects. Sports Science (23.5%) was the largest contributing discipline, with Clinical Neurology (14.7%) and Public Health (11.8%) as other important fields. The USA, Canada, and Australia were the leading countries, with the University of Milan and Italian researchers, such as Matteo Bonato, making the most prolific contributions. The International Journal of Environmental Research and Public Health hosted the largest number of publications. The discussion highlights knowledge gaps in literature (e.g., the effects of HIIT timing on sleep) and the need for interdisciplinary research. Recommendations include diversifying specific research fields, increasing global collaboration, and developing sleep-focused HIIT programs for sports practitioners. This study provides a comprehensive framework for a better understanding of the relationship between HIIT and sleep quality.
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 | 0,008 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,186 | 0,245 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».