Sport participation profiles of high-performance adolescent athletes: Initial and secondary sport sampling
Notice bibliographique
Résumé
Some models of sport participation suggest that children begin by sampling several sports before specializing in late adolescence (e.g., CA´tA©, 1999). However, the pathways to talent development may not be captured by linear models depicting normative stages of progression. The purpose of this study was to examine the sport participation profiles of high-performance adolescent athletes. Data were generated through in-depth, semi-structured interviews with ten athletes (8 female, 2 male, Mage = 16.1 years, SD = 0.58) who competed at a provincial level or higher, and the parent most involved in their sport participation (8 mothers, 2 fathers, Mage = 48.0 years, SD = 5.16). Participants also completed sport participation timelines. Inductive analysis showed that participants' sport participation was marked by two phases of sampling. Initial sampling (typically ages 3-9) was characterized by playing several sports sequentially for short durations rather than playing multiple sports simultaneously. There appeared to be a focus on developing physical literacy during this period. Initial sampling was followed by gradually specializing into a main sport (typically ages 8-10). While continuing to participate in their main sport, secondary sampling (typically ages 10-14) often occurred through exposure to new sports through school sport. Results also indicated that initial sport sampling was primarily parent-driven, whereas secondary sampling was athlete-driven and also often influenced by peers. In conclusion, this study suggests that sport sampling is not a singular phase of talent development, but rather a process that appears to have two phases that coincide with gradual sport specialization.
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 | 0,001 | 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 | 0,000 | 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 ».