The Influence of Peer-to-Peer Learning via Technology on Youth Soccer Coaches’ Neuromuscular Training Warm-up Exercise Error Detection
Notice bibliographique
Résumé
Objective: To evaluate whether a peer-to-peer (P2P) learning technology integrated instruction (intervention) workshop, compared to a standard in person instruction (control) workshop improves coaches’ self-efficacy and ability to identify neuromuscular training warm-up exercise errors. Methods: Calgary Minor Soccer Association clubs (n= 6) agreed to participate in a randomized controlled trial. In each club, one of each type of workshop were randomly allocated to the scheduled dates. Coaches (n=85) randomly attended a control or intervention workshop. At the end of the workshop, the soccer NMT warm-up exercise test, a video-based test where coaches identify common NMT exercise errors, was completed. At the beginning and end of the workshop, the soccer NMT warm-up self-efficacy scale was completed to assess coaches’ self-efficacy in their ability to identify NMT exercises errors on a 7-point Likert scale. Results: Eighty-five youth soccer coaches attended the control (n=41) or the intervention workshop (n= 44). Mean NMT warm-up exercise test scores were 72% (95% CI: 68.38 - 76.44) for the control and 71% (95% CI: 67.50 - 79.38) for the intervention workshop. Mean change in NMT warm-up self-efficacy scores were 0.98 (95% CI: 0.56 – 1.40) for the control and 1.77 (95% CI: 1.41 – 2.14) for the intervention workshop. Multivariable linear regression analyses indicated that workshop delivery method was not associated with the exercise test score (beta= -3.45, 95%CI: -10.80 - 3.91, R2=0.13) but was associated with a greater difference in change of self-efficacy scores for the intervention workshop (beta= 0.97, 95%CI: 0.26 – 1.89, R2=0.13). Conclusions: A P2P learning technology integrated instructional workshop did not alter coaches tested ability to identify exercise mistakes but did increase coaches’ self-efficacy in identifying exercise mistakes compared to a standard in person workshop.
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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».