The importance of coach-athlete relationships in creating positive university sport experiences
Notice bibliographique
Résumé
Although there has been growing interest in the positive development of youth participating in organized sport (Holt, 2016), less attention has been devoted to the impact of university sport on positive development. As in youth sport, coaches continue to play an important role in the development of university level athletes. Following the development of the University Sport Experience Survey (USES; Rathwell & Young, 2016), this study aimed to predict USES subscales from coach-athlete relationships (CART-Q; Jowett & Ntoumanis, 2004) and player demographics (age, sex, year of eligibility, starter/non-starter). A sample of 126 male (46%) and female (54%) university aged athletes (M = 20.3 years, SD = 1.7) from multiple team sports participated in the study. Stepwise multiple regression analyses were used to identify significant predictors for each subscale of the USES. Results show that eight of the nine subscales were predicted by at least one independent variable. For positive subscales of the USES, commitment was the strongest predictor, followed by year of eligibility. The total amount of variance explained in across the positive subscales ranged between 10.9% and 22.3%. For negatives subscales, complementarity was the lone predictor of three subscales while sex predicted the other. Variance accounted for in these models ranged between 3.7% and 17.4%. Results suggest that coaches who wish to promote positive experiences in university athletes should focus on commitment and complementarity.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».