Emotion focused therapy with injured athletes: Conceptualizing injury challenges and working with emotions
Notice bibliographique
Résumé
Athletes’ emotional responses to injuries may include feeling sad, angry, anxious, frustrated, helpless, irritated, and confused about their identity as athletes. Emotions are central in athletes’ sport injury experiences, yet most therapeutic approaches described in the sport psychology literature are grounded in cognitive-behavioural traditions and strategies may tend to emphasize controlling or suppressing emotions. Emotion Focused Therapy (EFT) is a robust, empirically-supported therapeutic approach grounded in experiential therapy and emotion theory that can be used to help athletes deal with injury-related difficulties. This position paper presents a rationale for using EFT in working with injured athletes. We review foundational principles of EFT and the conceptualization of emotions, emotion regulation, and dysregulation from an EFT perspective. Drawing on EFT theory, we present a conceptualization of five challenges and conflicts that arise within athletes’ injury experiences: (a) attending to the body and listening to the body; (b) tending to the pain versus pushing through pain; (c) interpersonal challenges and conflicts with others; (d) injuries as a challenge to athlete identity; and (e) concerns about time left in career and falling behind. Examples of ‘in vivo’ interactions between therapists and athletes are also presented to bring to life the use of EFT strategies and techniques, and we conclude with directions for future research and suggestions for practitioners to advance the use of EFT within the field of sport psychology.Lay summary: Emotion Focused Therapy (EFT) is a process-experiential, person-centered therapeutic approach that holds promise for clinicians and therapists working with injured athletes. EFT could be used to evoke and experience emotions in therapeutic sessions in order to develop greater acceptance, awareness, and understanding about one’s emotions to facilitate healing and support athletes’ ongoing performance and sport careers.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».