A systematic examination of the gain- and loss-framed content of educational resources aimed at preventing doping among adolescent athletes
Notice bibliographique
Résumé
Doping is a worldwide problem with researchers reporting a prevalence of doping that ranges between 6% and 34% of elite athletes. Primary doping prevention initiatives exist, and their effectiveness may be enhanced with the use of framed messages. Given that abstaining from using performance-enhancing substances is a low risk behavior with relatively certain outcomes, researchers suggest that gain-framed messages might have an advantage in promoting this behaviour; however, the degree to which prevention messages include gain- and loss-framed messages is unknown. The purpose of this study was to systematically identify and evaluate available educational health messages aimed at preventing doping among adolescent athletes to determine the degree to which they include gain- and loss-framed content. We systematically searched the internet through Google, Yahoo, Bing, and specific accredited sport and doping-prevention agencies for doping-prevention resources such as brochures, posters, and videos, in print or online. Our search yielded 60 resources which were reviewed by two separate members of the research team for their loss-framed, gain-framed, and non-framed content. The vast majority of the content (88.40%) was non-framed and the remainder was primarily loss-framed (11.37%). The resources included almost no gain-framed content (0.23%) despite suggestions that gain-framed messages may be effective in this context. Our findings suggest a need to test gain-framed messages as an alternative to the traditional loss-framed doping prevention messages as a means to enhance the efficacy of doping prevention initiatives.
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 | 0,002 |
| 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 ».