Self-compassion and psychological skills as predictors of resilience and well-being among youth athletes
Notice bibliographique
Résumé
Longitudinal tracking of psychosocial factors will help to understand and support athlete development and well-being (Eime et al., 2015; Vierimaa et al., 2012). The objective of our longitudinal program of research is to examine the trajectories of change in psychosocial skills, resources, resilience, and well-being among adolescent athletes participating in sport programming guided by Canada's Long Term Athlete Development (LTAD) framework. As part of this research, we used latent growth curve modeling to examine psychosocial skills and resources as predictors of well-being and resilience over time. Sixty-eight (23 boys) youth athletes (Mage = 14.80 years at Time 1, SDage = 1.78) completed measures of well-being (Short Warwick-Edinburgh Mental Well-being Scale), resilience (10-item Connor-Davidson Resilience Scale), self-compassion (Self-Compassion Scale), motivational climate (Motivational Climate for Youth Sports Questionnaire), and psychological skills (Athletic Coping Skills Inventory-28) at three time points, approximately three months apart. Baseline models indicate variability in resilience and well-being over time. Predictive models suggest self-compassion (p=.001) and psychological skills (p=.001) at Time 1 predicted a (positive) rate of change in resilience over the three time points. Self-compassion (p=.008) and psychological skill (p=.008) at Time 1 also predicted a (positive) rate of change in well-being over the same period of time. Fit indices were acceptable for all models (CFI >.95, TLI >.95, RMSEA
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».