Real Versus Ideal: Understanding How Coaches Gain Knowledge
Notice bibliographique
Résumé
In an ever-evolving society, sport coaches are presented with a number of avenues through which they can acquire and refine their coaching knowledge. The purpose of this research was to replicate and extend past research to gain an up-to-date understanding of how coaches are presently gaining knowledge. This was done through a constructive replication using a sequential explanatory mixed-method design. Study 1 included 798 coaches who completed an online questionnaire detailing their use of 16 sources of coaching knowledge. Coaches’ top three most used sources were interacting with coaches, learning by doing, and observing others. In contrast, the top three most preferred sources were observing others, interacting with coaches, and having a mentor. To contextualize these findings, Study 2 used a qualitative design in which 14 coaches were interviewed to understand their experiences with different knowledge sources. Five distinct narrative types were identified: recent elite athletes, parent coaches, coach developers, teacher coaches, and experienced coaches. Coaches reported engaging in more social and unstructured learning experiences, and the reasons for their preferences appeared to differ based on lifestyle and perceived barriers. Collectively, these findings highlight how coaches gain knowledge and why they prefer certain sources over others.
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 | 0,008 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».