Coaches’ interpersonal emotion regulation and the coach-athlete relationship
Notice bibliographique
Résumé
Researchers have examined the impact of coaches’ emotional expressions and emotional intelligence on athlete outcomes (Allan, V., & Côté, J. (2016). A cross-sectional analysis of coaches’ observed emotion-behavior profiles and adolescent athletes’ self-reported developmental outcomes. Journal of Applied Sport Psychology, 28 , 321–337; Thelwell, R.C., Lane, A.M., Weston, N.J., & Greenlees, I.A. (2008). Examining relationships between emotional intelligence and coaching efficacy. International Journal of Sport and Exercise Psychology, 6 , 224–235; van Kleef, G.A., Cheshin, A., Koning, L.F., & Wolf, S.A. (2018). Emotional games: How coaches’ emotional expressions shape players’ emotions, inferences, and team performance. Psychology of Sport & Exercise ). However, there is little research examining coaches’ use of specific strategies to regulate their athletes’ emotions. The purpose of the present study was to explore the strategies coaches used to try and regulate their athletes’ emotions, and to explore the relationship and contextual factors influencing coaches’ IER strategy use. A longitudinal multiple case study approach was used (Stake, R.E. (2006). Multiple case study analysis. New York: The Guilford Press) with five cases, each consisting of one male coach and two individual varsity sport athletes ( N = 15). Participants completed individual interviews, a two-week audio diary period, and a follow-up interview. Data were inductively and deductively analyzed and a conceptual model was developed outlining athletes’ emotions and emotion regulation, coaches’ IER, the coach-athlete relationship, and contextual factors. Participants described a bidirectional association between the coach-athlete relationship and coaches’ IER. A number of factors influenced athletes’ and coaches’ use of emotion regulation strategies and contributed to the quality of the coach-athlete relationship. The IER strategies that coaches used may reflect instrumental, performance-related motives, and coaches’ IER efforts may also contribute to coaches’ emotional labour.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».