Toward a more critical dialogue for enhancing self-report surveys in sport expertise and deliberate practice research
Notice bibliographique
Résumé
Two hallmark criteria are commonly used to determine whether a variable of interest has an impact on sport expertise development: (a) discrimination of performance or skill levels and (b) association with time spent in deliberate practice activities. Our opinion is that there has been warranted criticism of the deliberate practice framework and greater methodological rigour will invigorate survey research in this area. In this paper, we aimed to provide critical perspectives on self-report methods previously used to assess group discrimination and to measure deliberate practice in survey-based work in the context of sport expertise as well as to illustrate steps that could be taken to improve confidence in the validity and reliability of these measures. First, we focus on challenges discriminating between multiple, progressively skilled groups of athletes and outline two strategies: one aimed at improving the validity of skill grouping using standardized performance measures, and another illustrating how researchers can assess variability within skill levels. Second, we highlight challenges in measuring deliberate practice activities and propose a funnel method of narrowing athletes’ estimates from general sport activity to highly individualized, purposeful practice. We argue more attention is needed on the development of self-report methods and measurements to reliably and validly assess sport expertise development.
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 | 0,885 | 0,898 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,016 | 0,010 |
| Études des sciences et des technologies | 0,011 | 0,081 |
| Communication savante | 0,048 | 0,058 |
| Science ouverte | 0,013 | 0,030 |
| Intégrité de la recherche | 0,026 | 0,054 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».