Grit and perfectionism in intercollegiate athletes
Notice bibliographique
Résumé
Understanding personality characteristics that help and/or hinder competitive success in sport is of great interest to many sport psychology researchers. Two such personality characteristics that have been linked to the achievement-striving process in competitive sport are grit and perfectionism. While grit—as conceptualized by Duckworth, Peterson, Matthews, and Kelly (2007)—is largely associated with adaptive characteristics and outcomes in sport, perfectionism has been labeled as a 'dual effect' characteristic (MacNamara & Collins, 2015) that has been linked to both adaptive and maladaptive outcomes/processes in sport. The purpose of this study was to examine previously unexplored relationships between facets of multidimensional grit and multidimensional perfectionism in sport. A sample of 251 intercollegiate student-athletes (M age = 20.34 years, SD = 2.0) completed measures of domain-specific grit and domain-specific perfectionism in sport. Hierarchical regression analyses revealed that (a) separate facets of perfectionistic concerns negatively predicted grit, and (b) separate facets of perfectionistic strivings positively predicted grit in sport. Canonical correlation analysis produced an adaptive profile of perfectionism (i.e., a canonical variate comprising low perfectionistic concerns and high perfectionistic strivings) that was positively correlated (RC = .61, p < .001) with a grit variate comprising moderate consistency of interests and high perseverance of effort. The results not only reinforce the importance of conceptualizing/measuring grit and perfectionism as multidimensional constructs, but also indicate that the combination of high grit, low perfectionistic concerns, and high perfectionistic strivings may form part of a 'positive personality profile' that might assist athletes in the achievement-striving process in sport.
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 | 0,001 |
| 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 ».