Psychosocial factors predicting the usage of technology by golfers
Notice bibliographique
Résumé
Technology has become an important resource in sport that can help athletes improve their performance. However, the factors that predict the use of technology among athletes are unknown. In an effort to understand the current use of technology, we examined factors that impact technology use in sport. Human technology research in other domains suggests that an individual's trust in technology may be an important predictor of whether they use technology. Specific to sport, an athlete's use of a coach, self-regulated learning, skill level, playing experience, and gender may also influence their technology use. Therefore, the purpose of the present study was to determine which factors predict golfers’ use of technology and, through a secondary analysis, to explore how predictive factors differed between athletes who used technology and/or a coach. A one-time survey that gathered demographic and golfing-specific (Skill Level, years of playing Experience) information, and measured technology use, coach use, trust in technology, and self-regulated learning was completed by 313 golfers. Logistic regression determined that golfers’ use of a coach, trust in technology, self-regulated learning, and skill level predicted their use of technology. Further, a two-way factorial analysis of variance demonstrated that there were differences in trust in technology, self-regulated learning, and skill level between golfers who did and did not use technology. The findings of this novel study create a foundation for future research in this area and are the first step in determining how athletes can best use technology in their training and competition.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».