The effects of coaches' observable emotions on athletes' self-reported enjoyment in a youth recreational basketball league
Notice bibliographique
Résumé
Perceived enjoyment has consistently been reported as one of the main determinants of youth sport participation, with coaches playing a salient role in facilitating an enjoyable environment. Observational studies of coaches and their interactions with athletes have traditionally focused on the content of coach behaviours; however there have been recent calls to explore the emotional tones of these behaviours. Given the affective nature of the enjoyment construct and growing interest in the topic of interpersonal emotion regulation, coaches' emotions represent a novel and potentially influential role in athletes' perceptions of enjoyment. Thus, the purpose of this study was to explore the relationship between coaches' observed emotions and youth athletes' perceived enjoyment in a recreational basketball league. Male coaches (n = 6) and their respective youth male athletes (n = 35; Mage = 11.9) were videotaped during games, while athletes also completed a self-report measure of sport enjoyment (SEYSQ; Wiersma, 2001). Coach behaviour was coded using the Assessment of Coaches' Emotions systematic observation instrument (ACE; Allan et al., 2014). A hierarchical cluster analysis of coaches' emotions revealed three distinct clusters: the "tense" coach (n = 1), the "neutral" coaches (n = 3), and the "happy" coaches (n = 2). Separate ANOVAs compared athletes' enjoyment data from six subscales within the SEYSQ. The "happy" coaches' athletes reported significantly higher levels of enjoyment from competition than athletes who were coached by the "tense" coach. The findings of this study provide preliminary evidence to suggest that coaches' emotions influence athletes' enjoyment, specifically competitive excitement.
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 | 0,000 | 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 | 0,000 | 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 ».