A Qualitative Analysis of Athletes’ Voluntary Image Speed Use
Notice bibliographique
Résumé
Abstract The present study sought to describe the various reasons why athletes choose to manipulate the speeds of their images (i.e. image in slow motion, real-time, or fast motion). Athletes ( N = 9) were interviewed using a one-on-one, semi-structured interview format. All interviews were transcribed verbatim and content analyzed for themes. Results suggested that the particular image speed selected by an athlete does often serve a specific purpose. Slow-motion images were primarily employed to enhance the learning, development, review, or refinement of skills and strategies. Real-time imagery was employed when athletes wanted to accurately represent movement tempo, relative timing, or absolute movement duration in their images. Fast motion images were used to enable strategy planning during competition, to increase or maintain confidence perceptions, to energize athletes, and to increase imagery session efficiency and focus. Furthermore, regarding the use of multiple image speeds, athletes emphasized the importance of avoiding exclusively imaging in fast- or in slow-motion, making note of the importance of real-time image speed use in ensuring accurate mental representations of temporal aspects of performance. The findings of the current study indicate that the timing guideline of the PETTLEP approach to motor imagery (Holmes & Collins, 2001) may require revision. The use of any given image speed may be a matter of personal preference rather than one of functional necessity. One exception, however, does appear to be images focused on learning some temporal aspect of performance. In these instances, real-time speed seems to be a necessary characteristic of one’s image.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».