Learning to manage stress and enhance well-being: A heartmath cardiac coherence intervention with university student-athletes
Notice bibliographique
Résumé
Due to the challenge of balancing academic and sport training demands, student-athletes experience higher levels of stress (Gould & Whitly, 2009). The purpose of this study was to examine the impact of a self-regulation intervention on the stress and well-being of 11 Human Kinetics undergraduate student-athletes. Over the course of 6 weekly 15-minute intervention sessions, student-athletes learned how to self-regulate and manage their stress using the emWave cardiac coherence (CC) training software program; CC represents a physiological state in which the nervous, cardiovascular, hormonal and immune systems are working efficiently and harmoniously (HeartMath, 2010). During each intervention session, participants focused on maintaining desired breathing patterns and positive emotions and thoughts, while receiving visual feedback from the emWave program regarding their heart rate variability and CC level. They also practiced sustaining CC on their own once per day for 3-5 minutes and completed a log. In a final interview, they shared their perceptions regarding the impact of the intervention. Results indicated that 6 of the 11 student-athletes considerably improved their ability to sustain CC, 3 showed moderate improvement, and 2 had little to no improvement. Moreover, 9 of the 11 student-athletes reported lower levels of stress, and 6 reported increased well-being including an enhanced ability to control emotions, focus, relax, and maintain a positive attitude.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».