Trauma-informed abuse education in sport: engaging athlete abuse survivors as educators and facilitating a community of care
Notice bibliographique
Résumé
The need to focus on abuse prevention in sport has been prioritized due to widespread athlete maltreatment occurring across many sports, levels and regions. One recommendation to prevent athlete maltreatment is through evidence-based education. Despite this recommendation, surprisingly little has been done in this area. A recently proposed idea is that athlete abuse survivors could collaborate with sport organizations in maltreatment prevention initiatives (e.g. speaking invitations, sharing their stories, education initiatives). However, researchers have warned that when collaborations between survivors and sport organizations occur, and trauma-informed practices are not implemented in a way that engages everyone safely, re-traumatisation may result. The present study is one of the first to explore how abuse survivors can be placed at the forefront of education initiatives that are underpinned by international trauma-informed principles. Two abuse survivors from swimming and rowing facilitated education programs that taught about abuse with other athletes in their sports. Evidence-based trauma-informed practices were embedded throughout the educative process to prevent unintended further harms, in turn creating a ‘community of care’. Embedding trauma-informed practices were imperative given the lived experiences of the survivors, and the possibility the education recipients (i.e. athletes) could also be victims of maltreatment. The ‘what’, ‘why’ and ‘how’ of trauma-informed practices are outlined to show the application, and value of this process to not only maltreatment prevention initiatives, but to other levels of sport (e.g. when abuse is reported, selection policy, coach pedagogy).
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».