Self-compassion in sport superhero team-ups present: Collaboration and innovation
Notice bibliographique
Résumé
In 2003, self-compassion emerged in the general psychology literature; it has since exploded with research interest and attention by sport psychology trainees and faculty researchers. Self-compassion entails taking an adaptive approach to one's shortcomings, failures, and difficult experiences through self-kindness, common humanity, and mindfulness. Researchers have found that self-compassion has numerous benefits to sport performers, yet many athletes remain hesitant to embrace it. Given the growing popularity of self-compassion in sport research, critical questions must be asked, studied, and resolved to meaningfully advance the research area. Five faculty members, two postdoctoral fellows, and nine graduate student researchers working in the area of self-compassion have created superhero team-ups across five institutions to collaboratively address innovative topics about self-compassion in sport. The topics/questions covered by the duos, in 5-7 minutes each, include: Manly enough for self-compassion? (Ashley Kuchar University of Texas at Austin, Nathan Reis University of Saskatchewan [UofS]); TRAIN-EAT-MEDITATE-REPEAT (Jenna Gilchrist Pennsylvania State University, Olivia Chadwick UofS); Self-compassion...but at what age? (Leah Ferguson UofS, Autumn Nesdoly University of Alberta [UofA]); Duality of resilience (Eva Pila UofS, Kelsey Wright UofA); A stand for measurement (Amber Mosewich UofA, Margo Adam UofS); Sub-domains: A useful pursuit? (Tara-Leigh McHugh UofA, Abimbola Eke UofS); A sword of Damocles? (Catherine Sabiston University of Toronto, Danielle Cormier UofS); Self-compassion is coping (maybe) (Kent Kowalski UofS, Ben Sereda UofA). Leah Ferguson and Kent Kowalski will, respectively, introduce the symposium and respond to the topics covered prior to a 10-minute question and answer period with the audience and superhero panel.
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 | 0,016 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,008 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,003 | 0,023 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».