How should I regulate my emotions if I want to run faster?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The present study investigated the effects of emotion regulation strategies on self-reported emotions and 1600 m track running performance. In stage 1 of a three-stage study, participants (N = 15) reported emotional states associated with best, worst and ideal performance. Results indicated that a best and ideal emotional state for performance composed of feeling happy, calm, energetic and moderately anxious whereas the worst emotional state for performance composed of feeling downhearted, sluggish and highly anxious. In stage 2, emotion regulation interventions were developed using online material and supported by electronic feedback. One intervention motivated participants to increase the intensity of unpleasant emotions (e.g. feel more angry and anxious). A second intervention motivated participants to reduce the intensity of unpleasant emotions (e.g. feel less angry and anxious). In stage 3, using a repeated measures design, participants used each intervention before running a 1600 m time trial. Data were compared with a no treatment control condition. The intervention designed to increase the intensity of unpleasant emotions resulted in higher anxiety and lower calmness scores but no significant effects on 1600 m running time. The intervention designed to reduce the intensity of unpleasant emotions was associated with significantly slower times for the first 400 m. We suggest future research should investigate emotion regulation, emotion and performance using quasi-experimental methods with performance measures that are meaningful to participants.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle