A Citation Network Analysis of Perfectionism in Sport
Notice bibliographique
Résumé
Perfectionism in sport has received a large amount of attention in both the scholarly and popular domains. Early perfectionism research was conducted in clinical populations and students. Recently this moved towards a focus on athletes and the field has since grown exponentially. Reviews in the form of meta-analyses from Hill and colleagues (2018, 2020) have provided useful insight into the conceptual and theoretical advances in the field, yet there remain gaps to be addressed. Citation network analysis provides a functional method for consolidating literature, specifically examining (1) the lineage of foundational papers to contemporary work, (2) the theoretical and methodological approaches utilized in the field, (3) and the nature of the participants that have been investigated. A three-step scanning process was implemented to identify and screen articles which examined perfectionism in sport. Multiple databases were searched using words such as “sport” and the boolean term “perfection*” to find peer reviewed articles published in English. There was no criteria such as age, gender, sport participated in, or date of publication while searching. The search yielded a total of 158 articles which all varied greatly in the sport consisting of 34 unique sports such as hockey, football, cross country, and track and field. The majority of studies were conducted in the United States, Canada, Australia, and the United Kingdom. Overall, 93% of the articles reviewed implemented a quantitative research method, 4% applied qualitative methods, and 3% were a mix between quantitative and qualitative. The citation network analysis provides detailed insight to identify potential pathways that may yield fruitful findings in the future. Presentation Time: Thursday, 11 a.m.-12 p.m.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 ».