Bouncing back: Does psychological resilience predict performance after failure on a sports task?
Notice bibliographique
Résumé
Introduction: An athlete’s ability to be resilient, or “bounce back”, from failures and prevent a “downward spiral” of poor performances is key to being successful in sports. We sought to test this in a controlled experiment. Method: In this study, 62 participants executed 40 dart-tosses each, aiming for the bulls-eye of a regulation dartboard. Performance in terms of accuracy was defined as the distance between the bulls-eye and where the dart landed for each toss. Participants also completed the Connor-Davidson Psychological Resilience Scale (Connor & Davidson, 2003). Data Analysis: Mean accuracy scores for each participant were calculated; in addition, participants’ “poor” tosses (defined as tosses that landed more than 1 standard deviation from their average toss distance), “poor toss streaks” (the number of consecutive poor tosses, as defined above), and worst toss were recorded. After controlling for participants’ mean accuracy, separate linear regressions were conducted to test whether resilience predicted accuracy in the toss(es) after participants’ (a) poor tosses, (b) poor toss streaks, and (c) worst toss. Results: Compared to those with lower resilience scores, participants with higher resilience scores had shorter poor toss streaks (p = .02). Resilience approached significance as a predictor of accuracy after participants’ worst toss (p = .06). Resilience did not predict accuracy after a poor toss (p = .68). Discussion: These results provide partial support for the importance of being resilient in sports performance.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».