Search

Your search keyword '"Gaelle Lefort"' showing total 2 results
Start Over Author "Gaelle Lefort" Publisher hal ccsd
2 results on '"Gaelle Lefort"'

1. Traveling for academic research : patterns, determinants and mitigation options

Author

Olivier Aumont, Tamara Ben Ari, Jérôme Mariette, Laurent Jeanneau, Aymeric Spiga, Gaelle Lefort, Philippe-e Roche, Alexandre Santerne, André Estevez-Torres, Nucleus for European Modeling of the Ocean (NEMO R&D ), Laboratoire d'Océanographie et du Climat : Expérimentations et Approches Numériques (LOCEAN), Muséum national d'Histoire naturelle (MNHN)-Institut de Recherche pour le Développement (IRD)-Institut national des sciences de l'Univers (INSU - CNRS)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Institut Pierre-Simon-Laplace (IPSL (FR_636)), École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Université de Versailles Saint-Quentin-en-Yvelines (UVSQ)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Institut national des sciences de l'Univers (INSU - CNRS)-École polytechnique (X)-Centre National d'Études Spatiales [Toulouse] (CNES)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Université Paris Cité (UPCité)-École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Université de Versailles Saint-Quentin-en-Yvelines (UVSQ)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-École polytechnique (X)-Centre National d'Études Spatiales [Toulouse] (CNES)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Université Paris Cité (UPCité)-Muséum national d'Histoire naturelle (MNHN)-Institut de Recherche pour le Développement (IRD)-Institut national des sciences de l'Univers (INSU - CNRS)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Institut Pierre-Simon-Laplace (IPSL (FR_636)), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Université de Versailles Saint-Quentin-en-Yvelines (UVSQ)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-École polytechnique (X)-Centre National d'Études Spatiales [Toulouse] (CNES)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Université Paris Cité (UPCité), Université de Montpellier (UM), Unité de Mathématiques et Informatique Appliquées de Toulouse (MIAT INRAE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Géosciences Rennes (GR), Université de Rennes (UR)-Institut national des sciences de l'Univers (INSU - CNRS)-Observatoire des Sciences de l'Univers de Rennes (OSUR), Université de Rennes (UR)-Institut national des sciences de l'Univers (INSU - CNRS)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut national des sciences de l'Univers (INSU - CNRS)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Centre National de la Recherche Scientifique (CNRS), Laboratoire de Météorologie Dynamique (UMR 8539) (LMD), Institut national des sciences de l'Univers (INSU - CNRS)-École polytechnique (X)-École des Ponts ParisTech (ENPC)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Département des Géosciences - ENS Paris, Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL), Université de Tours (UT), Hélium : du fondamental aux applications (NEEL - HELFA), Institut Néel (NEEL), Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA)-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA), Aix Marseille Université (AMU), Laboratoire Jean Perrin (LJP), Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Institut de Biologie Paris Seine (IBPS), Institut National de la Santé et de la Recherche Médicale (INSERM)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), and European Geosciences Union

Subjects
[SDE]Environmental Sciences, determinants, academic research, Patterns
Abstract

International audience; In the midst of climate change, academic travels - one salient aspect of the carbon footprint of research activities - are at the center of a growing concern. Mitigation options often focus on two dimensions : (i) decreasing the frequency of attendance to conferences and (ii) modal shift in transport. Here, we analyze professional travel in academia from a unique database compiling about 100 000 travels from about 150 research labs across a large array of disciplines and localities in France to detail the structure, patterns and heterogeneity of national and international research travels for research purposes. We estimate the mitigation potential of a series of options encompassing but not limited to institutional options. We show that, if short distance traveling (typically below 1000 km) are largely dominant in number, their relative mitigation potential via modal shift is small (i.e., below 15%). On the other hand, long distance traveling, which is often associated with international collaborations or field work hold a much larger mitigation potential but question the very nature of research activities. We propose ambitious sobriety options to robustly decrease travel-induced GHG emissions in academia and discuss their acceptability in the context of the French public research system.

Published
2023
Full Text
View/download PDF

2. Elite Swimmers’ Training Patterns in the 25 Weeks Prior to Their Season’s Best Performance: Insights Into Periodization From a 20-Years Cohort

Author

Philippe Hellard, Marta Avalos-Fernandes, Gaelle Lefort, Robin Pla, Inigo Mujika, Jean-François Toussaint, David B. Pyne, Fédération Française de Natation (FFN), CREPS Bordeaux Aquitaine, Centre d’études des transformations des activités physiques et sportives (CETAPS), Université de Rouen Normandie (UNIROUEN), Normandie Université (NU)-Normandie Université (NU)-Institut de Recherche Interdisciplinaire Homme et Société (IRIHS), Normandie Université (NU)-Normandie Université (NU)-Université de Rouen Normandie (UNIROUEN), Normandie Université (NU), Université de Bordeaux (UB), Bordeaux population health (BPH), Université de Bordeaux (UB)-Institut de Santé Publique, d'Épidémiologie et de Développement (ISPED)-Institut National de la Santé et de la Recherche Médicale (INSERM), Statistics In System biology and Translational Medicine (SISTM), Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)- Bordeaux population health (BPH), Université de Bordeaux (UB)-Institut de Santé Publique, d'Épidémiologie et de Développement (ISPED)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Bordeaux (UB)-Institut de Santé Publique, d'Épidémiologie et de Développement (ISPED)-Institut National de la Santé et de la Recherche Médicale (INSERM), Ecole Nationale de la Statistique et de l'Analyse de l'Information [Bruz] (ENSAI), University of the Basque Country/Euskal Herriko Unibertsitatea (UPV/EHU), Universidad Finis Terrae, Institut de recherche biomédicale et d’épidémiologie du sport (IRMES - URP_7329), Institut national du sport, de l'expertise et de la performance (INSEP)-Université de Paris (UP), Centre d'Investigation en Médecine du sport (CIMS), Hôtel-Dieu-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP), University of Canberra, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Epidémiologie et Biostatistique [Bordeaux], Université Bordeaux Segalen - Bordeaux 2-Institut de Santé Publique, d'Épidémiologie et de Développement (ISPED)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université Bordeaux Segalen - Bordeaux 2-Institut de Santé Publique, d'Épidémiologie et de Développement (ISPED)-Institut National de la Santé et de la Recherche Médicale (INSERM), Unité de Mathématiques et Informatique Appliquées de Toulouse (MIAT INRA), Institut National de la Recherche Agronomique (INRA), French Institute of Sport (INSEP), Research Department, Laboratory Sport, Expertise and Performance (EA7370) (SEP (EA7370)), Institut national du sport, de l'expertise et de la performance (INSEP), Institut de recherche biomédicale et d’épidémiologie du sport (IRMES - EA 7329), Université Paris Descartes - Paris 5 (UPD5)-Institut national du sport, de l'expertise et de la performance (INSEP), Université Paris Descartes - Paris 5 (UPD5), Université Sorbonne Paris Cité (USPC), Hôpital Hôtel-Dieu [Paris], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Hôtel-Dieu, Institut national du sport, de l'expertise et de la performance (INSEP)-Université Paris Cité (UPCité), and Avalos, Marta

Subjects
latent class mixed models, velocity, Physiology, latent class mixed models intensity distribution, education, training distribution, [SHS.SPORT.DS]Humanities and Social Sciences/Sport/Sports, Biology, limitations, [STAT.CO] Statistics [stat]/Computation [stat.CO], [SHS.SPORT.DS] Humanities and Social Sciences/Sport/Sports, lcsh:Physiology, competitive performance, 03 medical and health sciences, 0302 clinical medicine, Animal science, [STAT.AP] Statistics [stat]/Applications [stat.AP], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Physiology (medical), Maximal strength, Blood lactate, Training load, swimming, [STAT.CO]Statistics [stat]/Computation [stat.CO], ComputingMilieux_MISCELLANEOUS, health care economics and organizations, Original Research, [SHS.SPORT]Humanities and Social Sciences/Sport, [STAT.AP]Statistics [stat]/Applications [stat.AP], [STAT.ME] Statistics [stat]/Methodology [stat.ME], model, lcsh:QP1-981, Training (meteorology), [SHS.SPORT] Humanities and Social Sciences/Sport, [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], 030229 sport sciences, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], progressivity, Swimming speed, Sprint, [SDV.SPEE] Life Sciences [q-bio]/Santé publique et épidémiologie, Periodization, Cohort, [SDV.SPEE]Life Sciences [q-bio]/Santé publique et épidémiologie, progression, competition, [STAT.ME]Statistics [stat]/Methodology [stat.ME], 030217 neurology & neurosurgery
Abstract

Background: This study investigated the periodization of elite swimmers' training over the 25 weeks preceding the major competition of the season. Methods: We conducted a retrospective observational study of elite male (n = 60) and female (n = 67) swimmers (46 sprint, 81 middle-distance) over 20 competitive seasons (1992-2012). The following variables were monitored: training corresponding to blood lactate 4-6 mmol.L-1, >6 mmol.L-1, and maximal swimming speed; general conditioning and maximal strength training hours; total training load (TTL); and the mean normalized volumes for both in-water and dryland workouts. Latent class mixed modeling was used to identify various TTL pattern groups. The associations between pattern groups and sex, age, competition event, Olympic quadrennial year, training contents, and relative performance were quantified. Results: For the entire cohort, similar to 86-90% of the training was swum at an intensity of [La](b) 4-6 mmol.L-1, and 3.5-4.5% at > 6 mmol.L-1. Three sprint TTL patterns were identified: a pattern with two long similar to 14-15-week macrocycles, one with two similar to 12-13 week macrocycles each composed of a balanced training load, and one with a single stable flat macrocycle. The long pattern elicited the fastest performances and was most prevalent in Olympic quadrennials (i.e., 4 seasons preceding the 2004, 2008, and 2012 Olympic Games). This pattern exhibited moderate week-to-week TTL variability (6 +/- 3%), progressive training load increases between macrocycles, and more training at 6 mmol.L-1. This fastest sprint pattern showed a waveform in the second macrocycle consisting of two progressive load peaks 10-11 and 4-6 weeks before competition. The stable flat pattern was the slowest and showed low TTL variability (4 +/- 3%), training load decreases between macrocycles (P < 0.01), and more training at 4-6 mmol.L-1 (P < 0.01). Conclusion: Progressive increases in training load, macrocycles lasting about 14-15 weeks, and substantial volume of training at intensities 6 mmol.L-1, were associated with peak performance in elite swimmers. This research was partially funded by the French Institute of Sport, Expertise and Performance (INSEP) and the French Ministry in charge of sports under grant no. 14r21.

Published
2019
Full Text
View/download PDF

Catalog

Books, media, physical & digital resources
See catalog results