MétaCan
Menu
← Retour à la cohorte
Enregistrement W2739452353

Motives for becoming an ice hockey official

2011· article· en· W2739452353 sur OpenAlexaff
Raquel Pedercini, Adam J Chomos, Kim D. Dorsch, Robert J. Schinke, Harold A. Riemer, David M. Paskevich

Notice bibliographique

RevueJournal of Exercise, Movement, and Sport · 2011
Typearticle
Langueen
DomainePsychology
ThématiqueSport Psychology and Performance
Établissements canadiensUniversity of CalgaryLaurentian UniversityUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésIce hockeyPsychologySocial psychologyPolitical sciencePublic relationsMedicine
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Sport officials are often maligned, abused, and ridiculed; yet, their presence on the playing surface is indispensable. Understanding why officials become involved in such a negative environment becomes necessary if we are to retain and attract individuals into this essential role. The purpose of this study was to examine ice hockey officials' motives for becoming involved. For this purpose, 22 hockey officials (7 women and 15 men), were interviewed using a semi-structured interview format and asked why they started officiating. It was found that financial motivation was a major encouraging factor in becoming an official as 54.5% mentioned this motive. The influence of relatives, friends, and coaches was another major motivating factor for entering into an ice hockey officiating career (45.5%) with more women citing this motive (85.7%) than men (27%). Other motivational factors detected in the study were the desire to stay involved with the sport (40.9%) which men stated (53.3%) more often than women (14.3%) despite the fact that every official had participated in hockey as an athlete; the desire to stay active (13.7%); and also motives related to skill development (13.7%). It appears that there are intrinsic, extrinsic, and socially-related motives for becoming an ice hockey official that may differ between genders. Implications for recruitment and retention, given the potential for gender differences, will be discussed.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,331
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Exercise, Movement, and Sport→Même sujetSport Psychology and Performance→Travaux en français237 207→