Misery loves company: Exploring mixed martial artists' experiences of pain with teammates and coaches
Notice bibliographique
Résumé
Athletes often experience pain during their sport performances and in their everyday lives (Spencer, 2012). However, there is little research that has explored how athletes form understandings of pain, and how social interactions contribute to athletes' understandings of pain. The purpose of this study was to explore mixed martial artists' experiences of pain while training for a MMA competition. Specifically, this research examined the meanings that fighters attribute to their pain experiences and how teammate and coach relationships contributed to fighters' experiences of pain. A multiple case study approach (Stake, 1995) was used to study pain among four amateur and professional mixed martial artists and their training partners (total N = 7). Data were collected over four months from the beginning of a training camp to the completion of a fight, using semi-structured interviews, participant observation, athlete video diaries, and video recordings of training sessions and fights. Data were analyzed using interpretative phenomenological analysis (Smith, Flowers, & Larkin, 2009). Results pertained to: (a) conceptualization and distinctions between physical pain, injury, and emotional pain; (b) the process of giving and receiving pain for fighters (e.g., pain built connections/trust between teammates); and (c) how teammates enabled fighters to move through their pain experiences. These findings are discussed with respect to fighters' relationships with pain (e.g., bringing self-awareness and attention to vulnerabilities) and how pain 'callused' or toughened fighters physically and emotionally. The researcher will also discuss implications for pain research in sport, and the use of video diaries in qualitative research.
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 | 0,000 |
| 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 ».