Challenges of Self-Presentation and Athlete Branding Among Saudi Female Exercisers: An Auto-ethnography of a Muslim Saudi Personal Trainer Instagram User
Notice bibliographique
Résumé
Some athletes have attracted millions of audiences, even if being namely recognised. Cristiano Ronaldo, Neymar JR., and David Beckham have the most Instagram followers on a global scale. Online Social Networks (OSN) allows users to establish their profiles to communicate with others through actions such as follows and comments. Currently, athletes prefer to utilise Instagram for self-branding purposes. Therefore, many studies have examined their practices. From the rising of Model of Athlete Brand Image MABI offline practices to the development of online athlete branding consumers’ engagements on social media, all studies have concerned three main categories to build athlete brand image, namely Athletic performance, Attractive appearance, and Marketable lifestyles. As a Saudi female personal trainer who uses Instagram to build a brand image, this auto-ethnography aims to reflect on my personal experiences, including cultural aspects that affect athlete branding strategies. Athlete branding studies have not focused on cultural differences yet. Most Muslim Saudi women are culturally conservative; they cover their bodies in public as a religious practice. This qualitative study describes my own experiences and Instagram visual content selections. It attempts to understand the motives, outcomes, and online self-presentation challenges and strategies of Muslim female exercisers who aim to build their athlete brand image. A key result indicated that Attractive appearance category was not applicable in the self-presentation of a Muslim female athlete in her athlete branding strategies. The trainer encountered some cultural challenges, for instance, religious values such as veiling and gender segregation, which conflict with the ability to rely on the self-characteristics for branding. Therefore, other strategies were applied, such as presenting body composition before and after test results and testimonials for clients.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».