Project CoachLearn - Report#3 - The context and motivations for the collection and application of sport coaching workforce data in 5 European countries
Notice bibliographique
Résumé
An increasing trend in the United Kingdom (UK) has been to argue for, and attempt to use, more detailed coaching workforce data to inform sport coaching system and programme development (e.g. Lynn & Lyle, 2010; North, 2009; Sports Coach UK, 2008, 2012; Winder & Townend, 2010). There have also been similar pockets of research activity internationally notably in Australia (Dawson, Wehner, Phillips, Gastin, & Salmon, 2013) and Canada (Reade et al., 2009) although their connection to the policy process is less clear. Recently there have been a number of UK centred proposals to the Europe Commission to explore the possibilities of opening up these methodologies to European countries and beyond, from Leeds Beckett University as part of its partnership with the International Council for Coaching Excellence (ICCE), the European Coaching Council (ECC), and other European partners. This includes the 2011 Preparatory Action in the Field Of Sport bid CoachNet, written up in a final report by Duffy, North, Curado, and Petrovic (2013), and the 2014 Erasmus + bid CoachLearn, of which this project forms a part. As a result of early investigations related to the CoachLearn project it became clear that the UK context and motivations for the development and application of specific research methodologies, and the collection and use of coaching workforce data were fairly unique. This meant that some important assumptions underpinning recent successful bids with regard to coaching workforce data methodologies and their application across Europe required further examination. This paper explores the context and motivations for, and applications of, the collection and use of coaching workforce data in five European countries: Finland, Germany, Hungary, the Netherlands, and the UK to determine whether a common methodology and tools to underpin coaching workforce data collection is relevant, useful, and viable. In undertaking this work the paper faces into comparative issues concerning centralised ‘good practice’ frameworks, evidence based decision making, performance management, research and research methodology, which could inform wider debates both inside and outside sport.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 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 ».