Background: Training load is typically described in terms of internal and external load. Investigating the coupling of internal and external training load is relevant to many sports. Here, continuous kernel-density estimation (KDE) may be a valuable tool to capture and visualize this coupling. Aim: Using training load data in speed skating, we evaluated how well bivariate KDE plots describe the coupling of internal and external load and differentiate between specific training sessions, compared to training impulse scores or intensity distribution into training zones. Methods: On-ice training sessions of 18 young (sub)elite speed skaters were monitored for velocity and heart rate during 2 consecutive seasons. Training session types were obtained from the coach’s training scheme, including endurance, interval, tempo, and sprint sessions. Differences in training load between session types were assessed using Kruskal–Wallis or Kolmogorov–Smirnov tests for training impulse and KDE scores, respectively. Results: Training impulse scores were not different between training session types, except for extensive endurance sessions. However, all training session types differed when comparing KDEs for heart rate and velocity (both P < .001). In addition, 2D KDE plots of heart rate and velocity provide detailed insights into the (subtle differences in) coupling of internal and external training load that could not be obtained by 2D plots using training zones. Conclusion: 2D KDE plots provide a valuable tool to visualize and inform coaches on the (subtle differences in) coupling of internal and external training load for training sessions. This will help coaches design better training schemes aiming at desired training adaptations.
DOCUMENT
This scoping review aimed to systematically explore the breadth and extent of the literature regarding the relationship between contextual factors (CFs) and training load (TL) in adolescent soccer players. Further aims included comprehending potential underlying mechanisms and identifying knowledge gaps. CFs were defined as factors not part of the main training process, such as the coach–athlete relationship and educational responsibilities. PubMed, EBSCO APA PsycINFO, Web of Science, ProQuest Dissertations & Theses A&I, and SportRxiv were searched. Studies involving adolescent soccer players that investigated the CF–TL relationship and measured TL indicators were deemed eligible. Seventeen studies were included, reflecting the limited number of articles published regarding the CF–TL relationship. CFs were mostly related to match-play (N = 13) and phase of the season (N = 7). Moreover, these factors appeared to affect TL. CF related to players’ personal environment (N = 3) were underrepresented in the reviewed studies. Overall, the CF–TL relationship appears to be rarely scrutinized. A likely cause for this lack of research is the segregation of the physiological and psychological research domains, where the CF–TL relationship is often speculated upon but not measured. Therefore, a holistic approach is warranted which also investigates the effect of personal environment, such as stressful life stress events, on TL.
DOCUMENT
The prediction of the running injuries based on selfreported training data on load is difficult. At present, coaches and researchers have no validated system to predict if a runner has an increased risk of injuries. We aim to develop an algorithm to predict the increase of the risk of a runner to sustain an injury. As a first step Self-reported data on training parameters and injuries from high-level runners (duration=37 weeks, n=23, male=16, female=7) were used to identify the most predictive variables for injuries, and train a machine learning tree algorithm to predict an injury. The model was validated by splitting the data in training and a test set. The 10 most important variables were identified from 85 possible variables using the Random Forest algorithm. To predict at an earliest stage, so the runner or the coach is able to intervene, the variables were classified by time to build tree algorithms up to 7 weeks before the occurrence of an injury. By building machine learning algorithms using existing self-reported training data can enable prospective identification of high-level runners who are likely to develop an injury. Only the established prediction model needs to be verified as correct.
DOCUMENT
In the last decade, the automotive industry has seen significant advancements in technology (Advanced Driver Assistance Systems (ADAS) and autonomous vehicles) that presents the opportunity to improve traffic safety, efficiency, and comfort. However, the lack of drivers’ knowledge (such as risks, benefits, capabilities, limitations, and components) and confusion (i.e., multiple systems that have similar but not identical functions with different names) concerning the vehicle technology still prevails and thus, limiting the safety potential. The usual sources (such as the owner’s manual, instructions from a sales representative, online forums, and post-purchase training) do not provide adequate and sustainable knowledge to drivers concerning ADAS. Additionally, existing driving training and examinations focus mainly on unassisted driving and are practically unchanged for 30 years. Therefore, where and how drivers should obtain the necessary skills and knowledge for safely and effectively using ADAS? The proposed KIEM project AMIGO aims to create a training framework for learner drivers by combining classroom, online/virtual, and on-the-road training modules for imparting adequate knowledge and skills (such as risk assessment, handling in safety-critical and take-over transitions, and self-evaluation). AMIGO will also develop an assessment procedure to evaluate the impact of ADAS training on drivers’ skills and knowledge by defining key performance indicators (KPIs) using in-vehicle data, eye-tracking data, and subjective measures. For practical reasons, AMIGO will focus on either lane-keeping assistance (LKA) or adaptive cruise control (ACC) for framework development and testing, depending on the system availability. The insights obtained from this project will serve as a foundation for a subsequent research project, which will expand the AMIGO framework to other ADAS systems (e.g., mandatory ADAS systems in new cars from 2020 onwards) and specific driver target groups, such as the elderly and novice.
De reclassering geeft haar cognitieve vaardigheidstrainingen vooral in groepen. Solo is de enige training die deelnemers een-op-een volgen. In dit vooronderzoek kijken we of Solo werkzaam is en voorziet in een behoefte. Over Solo Solo is afgeleid van het Engelse geaccrediteerde programma One-To-One. In 2016 zijn wijzingen op de programma-inhoud aangebracht: Solo heeft een praktischer insteek gekregen en is meer op de Nederlandse reclasseringspraktijk aangepast. Anno 2021 is opnieuw behoefte aan aanpassing: de sessies dienen meer op de leerdoelen te worden afgestemd en de delictanalyse kan eenvoudiger worden ingericht. Doel In dit onderzoek willen we het nut en de noodzaak voor de doorontwikkeling van Solo vaststellen, op basis van onderstaande vragen: Wat is de werkzaamheid van Solo? Op welke wijze sluit Solo aan op de behoeften van groepen cliënten en op de veranderende context? Welke regio’s voeren Solo uit (wat zijn redenen om Solo niet uit te voeren)? Welke suggesties voor doorontwikkeling worden gedaan? Als Solo bruikbaar en toepasbaar is, volgt de doorontwikkeling in een later stadium. Looptijd 01 oktober 2021 - 31 januari 2022 Aanpak Voordat aanpassingen in de training zullen worden gedaan, doen we een behoeftepeiling. Managers, coaches, trainers en deelnemers vormen de doelgroep van deze behoeftepeiling. Het vooronderzoek geeft concrete handvatten voor de doorontwikkeling en implementatie van Solo. Er worden meerdere onderzoeksmethoden ingezet: Literatuurstudie Enquête Semi-gestructureerde interviews bij reclasseringswerkers en cliënten Evaluatieformulieren bij cliënten Data-analyse IRIS Downloads en links
Cirkelen rond je onderzoek is een methodiek voor het ontwikkelen van een onderzoeksvoorstel. Binnen het project ‘Cirkelen rond je onderzoek light’ hebben we de resultaten van het project Cirkelen rond je onderzoek toegankelijk gemaakt voor penvoerders, projectleiders en procesbegeleiders door het organiseren van een korte training en het ontwikkelen van lesmateriaal. Doel Cirkelen rond je onderzoek is een methodiek voor het ontwikkelen van een onderzoeksvoorstel voor een praktijkgericht onderzoek. In praktijkgericht onderzoek is het van belang dat iedereen die betrokken is bij het onderwerp van het onderzoek betrokken wordt bij het maken van het onderzoeksvoorstel. Dit is echter niet eenvoudig. Verschillende partijen kunnen een hele andere kijk hebben op de problematiek en hele verschillende dingen willen bereiken met het onderzoek. Daarom leidt de methodiek “Cirkelen rond je onderzoek” je langs negen stappen om samen tot overeenstemming te komen. We leggen dit in 1 minuut uit in onderstaande video. Resultaten Voor penvoerders, projectleiders en procesbegeleiders zijn de volgende hulpmiddelen beschikbaar: Er is een uitgebreide handreiking van de methodiek Handreiking CRJO. Ook zijn er werkbladen beschikbaar: Werkblad Cirkelen rond je onderzoek Werkblad Doelen in je onderzoek Er zijn videokennisclips die ingaan op onderdelen van de methodiek: Toelichting op Cirkelen rond je onderzoek Interview met Niecky Fruneaux die vertelt over haar ervaringen met het toepassen van Cirkelen rond je onderzoek De kaartjesmethodiek Het gebruik van de doelenroos in Cirkelen rond je onderzoek De doelenroos uit Cirkelen rond je onderzoek als hulpmiddel bij het maken van een veranderstrategie Onderzoeksvragen en deelvragen in Cirkelen rond je onderzoek Cirkelen rond je onderzoek in actieonderzoek Rollen en taken in de uitvoeringsfase van het onderzoek Looptijd 01 februari 2022 - 31 december 2022 Aanpak De methodiek is getest binnen het ZonMW programma Langdurige Zorg en Ondersteuning. Het rapport is hier te downloaden.
