Examining the Predictive Validity of the Grit Scale-Short (Grit-S) Using Domain-General and Domain-Specific Approaches With Student-Athletes
Notice bibliographique
Résumé
This paper contributes to the debate as to whether grit is best conceptualized and measured as a domain-specific or domain-general construct. In the field of sport psychology, grit has traditionally been conceptualized and measured as a domain-general construct, with the majority of studies using the Grit Scale-Short (Grit-S: Duckworth and Quinn, 2009 ) to assess grit and its relationships with an array of personality-, performance-, and health-related outcomes. To date, no studies have compared the predictive validity of domain-general and domain-specific versions of the Grit-S with athletes who operate in different achievement settings. In a sample of United Kingdom student-athletes ( N = 326, 214 males, 112 females; M age = 19.55 years, SD = 1.48 years), we examined the degree to which a domain-general version and two domain-specific versions of the Grit-S accounted for variance in two criterion variables that were either situated in an academic context (i.e., emotional exhaustion) or a sport context (i.e., competitive level). Results obtained from a series of hierarchical multiple regression analyses indicated that an academic-version of the Grit-S explained unique variance in academic emotional exhaustion beyond the variance explained by the domain-general version of the scale, and a sport-version of the Grit-S explained unique variance in competitive level beyond the variance explained by the domain-general version. Results support the adoption of domain-specific approaches to measure grit in specific achievement contexts. Our findings highlight the need for researchers to carefully consider the measurement approaches they adopt when studying grit in individuals who operate across different achievement settings.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».