Does Self-Modeling Affect Imagery Ability or Vividness?
Notice bibliographique
Résumé
Research has shown imagery interventions to be important tools for learning new skills, as well as enhancing competitive performance. Moreover, imagery vividness and ability are two factors shown to contribute to their effectiveness. Therefore, learning ways to increase one's imagery vividness and ability is important. Hence, the present research examined the effects of an external stimulus (i.e., a self-modeling video) on one's imagery vividness and ability. A self-modeling video is an edited video showing the desired target behaviors; in this case it was a competitive dive. Two imagery measures (VMIQ and MIQ-R) were used to capture whether the self-modeling video would influence competitive divers' imagery vividness and ability. Seven competitive divers were administered both imagery measures at pre-test and post-test. After pre-test scores were taken, the participants' individual self-modeling videos were shown on three occasions before each competition and once at each competition. The results for the VMIQ indicated that imagery vividness when imaging the self was significantly better than when imaging others, F(1,6) = 7.44, p < 0.05, ?2 = .54. Of more importance is that the participants' imagery vividness increased after the self-modeling video had been administered for imaging one self but not for imaging others, although this only approached significance, F(1,6) = 3.70, p = .107, ?2 = .38. No significant results, however, were found for imagery ability. These findings suggest that there is potential for a self-modeling video to positively influence an athletes' imagery vividness.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».