Moral Disengagement, Social Norms, and Motivational Profiles Influence Attitudes Toward Doping Among Spanish Athletics Coaches
Notice bibliographique
Résumé
Coaches strongly influence athletes' attitudes toward doping and can shape athlete's beliefs, behaviors, and decisions to be for or against doping. Coached-centered studies examining multiple factors affecting coaches' doping attitudes and behavior are scarce. The aim of this study was to analyze for the first-time attitudes toward doping in athletics coaches using the Sport Drug Control Model (SDCM) as a theoretical framework. A secondary aim was to determine the factors in the model predicting attitude and susceptibility toward doping. A cross-sectional study was carried out using a sample consisting of 201 Spanish athletics competitive level coaches from whom 11.4% were female. Participants completed a cross-sectional online survey. Structural equation modeling showed a good fitness of the SDCM. Positive attitudes toward doping predicted high susceptibility to doping (β = 0.39, p < 0.001). Moral disengagement (β = 0.58, p < 0.001), descriptive norms (β = 0.42, p = 0.001), ego-oriented goals (β = 0.34, p < 0.05), and self-efficacy to refrain from doping (β = 0.26, p < 0.05) displayed a significant influence on attitudes toward doping. Self-reported doping prevalence in coaches was 4.5%. These variables should be considered when designing anti-doping research projects and educational programs aiming at modifying coaches' attitudes toward doping. It is recommended to focus more efforts on coaches, without putting aside the athletes, and therefore turn coaches into reliable doping prevention factors. To this end, it is necessary to enhance scientific research and then develop, implement, and promote more educational programs targeting coaches, on a mandatory basis while covering the specific needs of coaches so that they can perform their role as anti-doping educators in an effective, committed, and proactive manner.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».