Cognitive General Imagery: The Forgotten Imagery Function?
Notice bibliographique
Résumé
Abstract It is well known that athletes use mental imagery for five different functions; motivational general-arousal (MG-A; arousal and stress) motivational general-mastery (MG-M; control, mental toughness, and self-confidence), motivational specific (MS; goal-oriented responses), cognitive general (CG; sport-specific strategies), and cognitive specific (CS; sport-specific skills; Hall et al., 1998; Paivio, 1985). While much research has been conducted on the MG-A, MG-M, MS, and CS imagery functions, there has not been as much focus on CG imagery. This is somewhat disheartening since various researchers have pointed out this issue many times (e.g., Hall, 2001). The purpose of this review was to examine the research conducted on CG imagery since the publication of Martin and colleagues’ (1999) applied model of imagery use. A literature search was conducted of published peer-reviewed journal articles using Proquest to identify all studies that have examined CG imagery. Forty-three articles were identified as relevant towards understanding the role of CG imagery in sport. The research findings were discussed in one of two sections depending on the type of study design used (e.g., descriptive/correlational study or imagery intervention). The strengths and weaknesses of the CG imagery studies are discussed. From this review, the authors hope to make researchers aware of the avenues that still need to be explored in regards to CG imagery, as well as provide researchers with potential approaches to answer such questions.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».