Les analyses métaboliques dans le contrôle biologique de l'entraînement
Bibliographic record
Abstract
Résumé La biologie est un des champs majeurs de recherche parmi les sciences et techniques des activités physiques et sportives. De l’enfant au pratiquant de haut niveau, on y puise une meilleure compréhension de leur motricité et de leur performance physique. Nombreuses sont les techniques mises en œuvre au sein de ce champ disciplinaire pour mesurer et évaluer les différentes composantes biologiques susceptibles d’expliquer une partie de l’activité physique. Dans le domaine du sport, depuis l’exploration fonctionnelle des capacités physiologiques du sportif à l’analyse des processus biochimiques les plus fins du métabolisme énergétique, de nombreuses interrogations ont pu trouver les réponses explicatives. L’objet de cet article est de tenter de dresser un bilan sur les dernières évolutions des principales techniques d’analyse les plus couramment utilisées dans le domaine de la biologie du sport. De la seule détermination de la lactatémie à la recherche des marqueurs biochimiques témoins de la fatigue ou du processus de surentraînement, des techniques enzymatiques aux méthodes spectrales d’identification des métabolites, cette évolution vers la dimension moléculaire de la physiologie traduit bien la complexité qui est apparue dans les nouvelles questions posées par la biologie du sport.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".