The Co-Regulatory Coaching Interface Model: A Case Study of a Figure Skating Dyad
Notice bibliographique
Résumé
Very little research has investigated co-regulated learning (CRL; Hadwin et al., 2011) in the context of sport coaching for skill acquisition. Although research indicates self-regulated learning (SRL) helps elite competitive athletes optimize their skill acquisition (McCardle et al., 2019), coaching literature has yet to examine how co-regulated learning experiences in joint work between a coach and athlete are associated with SRL competencies in an athlete. Thus, the objective of this instrumental case study was to describe the nature of joint work between an experienced female coach (aged 53, national level) and a male figure skater (aged 15, provincial level) in a naturalistic environment. Season-long data collection involved analysis of recorded dialogue at 16 practices and three interviews with each participant. Using inductive reflexive thematic analysis, we developed higher-order themes related to macro- and micro-levels of CRL, and implications of the coach’s progression on the development of SRL. The Co-regulatory Coaching Interface Model, representing micro CRL interactions, outlines contributions from each member and dialogue processes facilitating skill acquisition. SRL was both an expected contributor to, and a consequence of interface interactions. We discuss coach-athlete dyadic processes, what they mean for athletes’ self-practice time, and how the model contributes a new perspective on collaborative work between coaches and athletes that has not been emphasized in the coaching science on talent development.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».