Motor expertise and performance in sport-specific priming tasks: a systematic review and meta-analysis
Notice bibliographique
Résumé
Objective The present study aimed to summarize findings relevant to the influence of motor expertise on performance in sport-specific priming tasks and to examine potential moderators of this effect. Methodology Data were collected from the China National Knowledge Infrastructure (CNKI), PsychInfo, Medline, Google Scholar, Web of Science, Baidu Scholar and Sport Discus and Dissertation Abstracts Online databases from January 1999 to April 2020, supplemented by manual bibliographies and meeting minutes. Stata software was used to perform the meta-analysis. Study quality was evaluated systematically using the Newcastle-Ottawa scale (NOS). Standard mean differences (SMDs) with 95% CIs were calculated with a random-effects model. The Cochrane Q test and I 2 statistic were used to evaluate heterogeneity. Begg funnel plots and Egger tests were conducted to assess publication bias. Results Nine articles (including 12 studies) were ultimately included in the meta-analysis. Significant heterogeneity was observed among these studies ( Q = 44.42, P < 0.001, I 2 = 75.2%) according to random-effects modeling. The results showed an overall advantage in favor of motor experts in sport-specific priming tasks (SMD = −1.01, 95% CI [−1.41 to −0.61]). However, the magnitude of that effect was moderated by sport type (interceptive sports/independent sports) and prime stimulus type (subliminal stimulus/supraliminal stimulus). No publication bias was detected by the Begg and Egger tests. Conclusions In general, compared with those of nonexperts, the responses of motor experts’ responses to a target stimulus are easier and faster when the prime and target stimuli are consistent. However, the magnitude of this effect is moderated by sport type and prime stimulus type.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,003 | 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 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 ».