Examining Risk-Taking Behavior and Sensation Seeking Requirement in Extreme Athletes
Notice bibliographique
Résumé
Extreme sports are sport branches which include actions, adventures, risks and difficulties more rather than other sports. Special materials are used in sport branches such as surfing, kite surfing, sailing, snowboarding, paragliding, diving, mountaineering, motor sports and adrenaline release is more rather than in other sport branches. On the contrary, the situation for being eager to seek excitement and take risks with a view to having new experiences has been observed. It has been considered whether sensation seeking requirement and risk-taking behavior had effects upon each other. The aim of the study was to analyze sensation seeking and risk-taking behavior in extreme athletes. Total 101 extreme athletes including 31 females, 70 males with an age average of 22.03 ± 6.77 participated in the research. In order to determine athletes’ sensation seeking levels, “Arnett Inventory of Sensation Seeking” developed by Arnett (1994) and in order to determine their risk-taking behavior, “Risk Involvement and Perception Scale” developed by Siegel et al. (1994) were used. In evaluation of research data, frequency analysis, independent t test, in determination of relation between risk-taking and sensation seeking, correlation test were utilized.In conclusion, significant differences were found in risk-taking behavior, sensation seeking requirement and gender variable among the extreme athletes. In the male athletes sensation seeking requirement and risk-taking behavior had higher averages than the female athletes. Among the extreme athletes, significant relations were determined between risk-taking behavior and sensation seeking requirement. When risk-taking behavior values were high, sensation seeking requirement values were regarded to be high.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».