Big Data onthult nieuwe benaderingen voor marathontraining

Nieuw big-math-onderzoek naar GPS-gegevens heeft, Voor de eerste keer, heeft een belangrijke bijdrage geleverd aan ons begrip van efficiënte training. Hoewel er nog veel moet worden geleerd, de big data-aanpak heeft tot nu toe niet-erkende verbanden tussen trainingsplannen en marathonprestaties aan het licht gebracht. Dit geldt met name voor midpack en langzamere hardlopers.

historisch, lopers hebben kunnen lezen over de training van Eliud Kipchoge, en die van andere elites. De training van Olympiërs wordt vaak behandeld en verheerlijkt in mediaberichten. Maar hoe helpt dit als je een sub-3:35 nodig hebt om in aanmerking te komen voor Boston?

Die informatie bestaat feitelijk in grote digitale databases die worden onderhouden door bedrijven als Strava, maar het was niet gemakkelijk om toegang te krijgen of te interpreteren. Dat is waar de big data-mensen tussenkomen. Ze hebben de trainingslogboeken van duizenden marathonlopers geanalyseerd om te zoeken naar succesvolle patronen.

Vorige week schreef mijn vriend Rick Lovett een PodiumRunner-artikel dat vooral ging over de "voorspellende" kracht van nieuwe big-datavergelijkingen gepubliceerd in Natuur Communicatie, een hoog aangeschreven tijdschrift. Ik heb gecorrespondeerd met de auteur van dat artikel, Het in Parijs gevestigde Thorsten Emig, over de implicaties voor training van zijn werk.

een andere groep, geleid door Barry Smyth van de Universiteit van Dublin, heeft de afgelopen jaren een soortgelijk pad gevolgd. Smyth werkt vaak met 'aanbevelingssystemen' zoals Netflix gebruikt om te voorspellen welke films je leuk vindt - of wat voor jou werkt. tijdens het hardlopen, een andere naam hiervoor is 'coach'. Deze groep heeft wat training =succespatronen ontgrendeld die ik nog nooit eerder heb gezien. Ik betwijfel of je dat hebt, of.

Emig heeft gewerkt met geaggregeerde gegevens van Polar, en Smyth met Strava-gegevens.

Ik ga de wiskunde weglaten (er is veel van), en geef je gewoon de meest bruikbare bevindingen, eerst van Emig's papier, dan uit het recente werk van Smyth. Emig komt tot vier belangrijke conclusies die kunnen helpen bij het opbouwen van uw marathon. Smyth heeft één belangrijke afhaalmaaltijd.

1) Meer trainen, zelfs in een langzaam tempo, kan je sneller maken.

Dit is een universeel erkend resultaat van training, hoewel zelden ondersteund met harde gegevens van het soort dat Emig heeft ontdekt. Het verklaart waarom meer hardlopen, binnen het redelijke, betaalt zich normaal gesproken terug.

2) Snelle training bouwt je uithoudingsvermogen effectiever op dan langzame training.

Dit is de reden waarom bijna iedereen wat snelheidswerk doet. Als u uw prestaties op korte afstanden kunt verbeteren, je kunt een relatief sneller tempo aanhouden over de langere afstanden die nodig zijn voor endurance races. Het vinden van de juiste balans tussen 1) en 2), dat is waar het bij training om draait. Ook, erkennen dat speedwork meer risico's met zich meebrengt dan slow running.

3) Elite-lopers pushen over het algemeen niet zo hard tijdens de training als midpack- en langzamere hardlopers.

Als topsporters 100 mijl per week afleggen, ze hebben geen andere keuze dan de meeste van die kilometers wat langzaam te lopen. Als je 20 tot 40 mijl per week rent, je kunt die kilometers harder rennen in verhouding tot je vermogen.

4) Er is een limiet aan hoe ver en hard je kunt trainen.

Voorbij die grens, je inspanningen draaien naar het zuiden. Je raakt overtraind, vermoeid, en langzamer. Emig vond een limiet op 27, 000 TRIMPS (“trainingsimpulsen”) tijdens marathontraining. Dit nummer zal je niet veel helpen, omdat het niet eenvoudig is om het gelijk te stellen aan je eigen training. Maar je kunt maar beter begrijpen dat er een grens is:meer is niet altijd beter.

5) Gebruik een nieuw patroon voor je trainingsweken

In zijn recente werk Smyth heeft (samen met Jakim Berndsen en Aonghous Lawlor) gekeken hoe een marathontrainingsprogramma kan worden samengesteld. Hun advies, sterk vereenvoudigd:

1) Focus op training weken, geen individuele trainingen, en

2) Wissel je weken af ​​op deze manier van een maand:hard-hard-easy-moderate. In de weken voorafgaand aan de wedstrijddag, taper op deze manier:moeilijk-gemakkelijk-gemakkelijk.

Dit is wat de Ierse onderzoekers bedoelen met moeilijk of gemakkelijk:

• Een zware week is er een met meer snelle training dan normaal. Bijvoorbeeld, het kan een tempotraining zijn en/of een training waarbij je net zo snel rent als je 5K-racetempo. Je krijgt van zo'n week een flinke trainingsprikkel, maar bouw ook vermoeidheid op.

• Een makkelijke week is er een waarin je 50 tot 67 procent doet minder training dan een zware week, maar in hetzelfde tempo als sommige trainingen van je vorige week. Je zult herstellen, en consolideer uw fitnesswinst.

• Een gematigde week is alles tussen moeilijk en gemakkelijk. Je wordt er niet fitter of vermoeider van.

De belangrijke bevindingen hier zijn het herhaalde hard-hard patroon, en de mate van bezuiniging tijdens een rustige week. De meeste huidige marathontrainingsprogramma's omvatten bezuinigingsweken, maar weinig of geen snede zo diep als 50 tot 67 procent, terwijl de nadruk ligt op het tempo van die runs.

Hoewel de meeste plannen niet om een ​​dergelijk patroon vragen, volgens de analyse van Smyth, ongeveer 40 procent van de marathonlopers komt dicht genoeg bij zijn voorgestelde schets, zodat het onwaarschijnlijk is dat een verandering een snellere marathontijd zal opleveren. Anderzijds, 47 procent is ondertraind en 14 procent is overtraind. Deze 60 procent van de marathontrainers zou kunnen verbeteren door zijn suggesties op te volgen.

Geen van de big data-experts denkt alle antwoorden te hebben gevonden. Er blijven veel vragen over. Smyth et al. gebruiken het werkwoord "nudge" om een ​​gepast gebruik van hun resultaten te beschrijven. Als je je training in de goede richting kunt duwen, het kan grote dividenden opleveren.

[Big Data onthult nieuwe benaderingen voor marathontraining: https://nl.sportsfitness.win/sport--/Marathon-Running/1002043150.html ]