THE RELATION BETWEEN SELF-EFFICACY, INJURY AND FEAR OF INJURY AMONG ELITE ATHLETES
Notice bibliographique
Résumé
Background A growing body of research recognizes the significance of the psychological response to injury among athletes. Yet, to date there is paucity of research that conceptualizes the role which self-efficacy plays in an athlete's response to injury (Wiese-Bjornstal, 2010; Feltz et al., 2008). Objective To analysis the hypothetical relation between the types of injuries and the level of self-efficacy and fear to avoid future injuries. Design Quantitative retrospective survey style for correlational and regression analysis. Setting Elite male athletes in the Canadian Football League (CFL) at preseason training. Participants 365 pre-season survey reports from CFL players, convenience sampling. Risk factor assessment Measures included a self-report measure of self-efficacy (measuring fears around injuries, perceptual control of injuries, and self-efficacy to avoid injuries) and a structured report of the frequency, severity and location of injuries sustained by the athlete in a playing season. Main outcome measurements Two main hypotheses were set out before the analysis. First was that injuries would relate to an athlete's level of self-efficacy to avoid injuries in a negative direction. Second was that fears of injuries and perceptual control of injuries could predict an athlete's level of self-efficacy. Results Our results demonstrated significant correlations between self-efficacy to injury frequency, severity, and fears of re-injury. Regression analysis revealed variables (injuries, fear of injuries and perceptual control) significantly predict self-efficacy. Results also demonstrate that the location of injury also significantly impact levels of self-efficacy. Conclusions This study builds on the research of understanding how athletes are affected by injuries psychologically and how they can deal with the fears and anxieties due to injuries. Practically these results, with the amounting research, can help medical and psychological treatments in dealing with an athlete's self-efficacy and fears.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».