A Qualitative Study of 11 World-Class Team-Sport Athletes’ Experiences Answering Subjective Questionnaires: A Key Ingredient for ‘Visible’ Health and Performance Monitoring?
Notice bibliographique
Résumé
BACKGROUND: Athlete monitoring trends appear to be favouring objective over subjective measures. One reason of potentially several is that subjective monitoring affords athletes to give dishonest responses. Indeed, athletes have never been systematically researched to understand why they are honest or not. OBJECTIVE: Because we do not know what motivates professional athletes to be honest or not when responding to subjective monitoring, our objective is to explore the motives for why the athlete may or may not respond honestly. METHODS: A qualitative and phenomenological approach was used, interviewing 11 world-class team-sport athletes (five women, six men) about their experiences when asked to respond to subjective monitoring questionnaires. Interview transcripts were read in full and significant quotations/statements extracted. Meanings were formulated for each interviewees' story and assigned codes. Codes were reflected upon and labelled as categories, with similar categories grouped into an overall theme. Themes were examined, articulated, re-interpreted, re-formulated, and written as a thematic story, drawing on elements reported from different athletes creating a blended story, allowing readers a feel for what it is like to live the experience. RESULTS: Overall, four key themes emerged: (i) pursuit of the ideal-self, (ii) individual barriers to athlete engagement, (iii) social facilitators to athlete engagement; and (iv) feeling compassion from performance staff. CONCLUSIONS: Our main insight is that athletes' emotions play a major role in whether they respond honestly or not, with these emotions being driven at least in part by the performance staff asking the questions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».