Ethnic diversity and cohesion in interdependent sport teams
Notice bibliographique
Résumé
Diversity is collective amount of differences among members within a social unit (Harrison & Sin, 2005, p. 196). In sport team contexts, the diversity of several member characteristics can have ramifications for group structure (e.g., roles), emergent states (e.g., cohesion), and processes (e.g., communication; Carron & Eys, 2012; McEwan & Beauchamp, 2014). One member attribute purported to be salient for groups is cultural background (Schinke et al., 2014). Although the effects of cultural diversity on group processes have been studied extensively in organizational psychology (e.g., Stahl et al., 2010), research in sport contexts is comparably rare. This study examined how member diversity (assessed via Blau's Index) of a typically overt aspect of culture, ethnicity (e.g., African-American, Asian, Indigenous, Hispanic), predicts team cohesion. Data were gathered from 203 intercollegiate athletes (87 males and 116 females) from 16 interdependent sport teams (e.g., basketball) at two time points (1-2 weeks apart). Controlling for cohesion at time 1, team size, average team tenure, and gender, team-level regression analyses revealed two task dimensions of cohesion at time 2 were positively predicted by in-group ethnic diversity at time 1: attractions to group-task, ? = 0.46, t(15) = 3.12, p =.011, ?R2 = 0.12, Overall model: Adjusted R2 = 0.81, F(1, 15) = 13.77, p
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».