Examining the associations between grit, self-control and sport expertise: A replication study
Notice bibliographique
Résumé
To develop expertise, athletes need to amass a high volume of deliberate practice activities over a long duration. Two personality traits that relate to long-term goal pursuits and to achievement within sport are self-control (Tedesqui & Young, 2017a) and grit (Tedesqui & Young, 2017b). We compared the contribution of grit and self-control facets to explain criteria of sport expertise development. Athletes (n = 164, 87 female, Mage = 31.62, SD = 12.45) completed survey items assessing grit (perseverance of effort; consistency of interests) and self-control (self-discipline; impulse control), questions to determine skill group (beginner/intermediate; advanced; expert), and sport-specific practice amounts. We submitted all scale scores to criterion validity tests for group discrimination and associations with practice. Separate MANCOVAs for grit and self-control variables (controlling for age) showed grit variables significantly distinguished higher from lower skill groups, Pillai's Trace = .06, F(4, 314) = 2.48, p < .05, partial eta-squared = .03. Post-hoc tests showed only perseverance of effort distinguished groups, F(2, 157) = 5.08, p < .01, partial eta-squared = .06 (Mbeginner/intermediate = 4.37, Madvanced = 4.25, Mexpert = 4.58). Although we replicated prior effects of perseverance of effort on skill groups, we failed to replicate any associations with practice. The tendency to persevere in long-term goals despite setbacks might enable athletes to achieve higher skill levels in pursuit of expertise development. We problematize the non-significant findings regarding practice.Acknowledgments: This research was supported by a Social Sciences and Humanities Research Council of Canada (SSHRC) funding (430-215-00904) to Bradley W. Young and Joseph Baker.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».