Exploring the effect of simulated crowd noise on multiple object tracking performance in usport football athletes
Notice bibliographique
Résumé
Background noise is present in most daily activities. For some individuals, this noise can be dismissed; for others however, background noise can have a negative effect on an individual's ability to perform (e.g., SA¶derlund et al., 2010). Little work has been conducted on how attentionally-based performance (i.e., multiple object tracking, MOT) is affected when audio stimuli is present in athletic populations. The objective of this study was to examine if and how noise impacted MOT performance in university level football players. Twenty USPORT level football athletes (M age = 20.45 yrs, SD = 1.65 yrs) participated in a 6-session (18 trials) 3D-MOT training experience using the NeurotrackerTM (Cognisens Inc.). Ten athletes completed the training in a dark room with no external noise (had noise cancelling headphones); while the other ten athletes completed the training in the same room but were exposed to a consistent simulated crowd noise. No significant differences in baseline visual tracking speed (VTS) scores between the two groups (p > 0.05) were found. After the 18 training sessions, the mean VTS score for the noise group was 2.07, SD = 0.24. The no noise group averaged significantly slower, t(1, 18) = 2.4, p < 0.028 at M = 1.77, SD = 0.32. Athletes typically perform in loud stadiums and these findings could be explained by the ability to block out external distractions. Indeed, the presence of the simulated crowd noise may actually enhance the ecological validity of the training sessions. Limitations and future directions will be discussed.Acknowledgments: Like to acknowledge the private donation to the University of Regina's Sport Psychology Laboratory
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 | 0,003 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».