Investigating the Influence of Mental Toughness on Risk-Taking Behaviour in Sport.
Notice bibliographique
Résumé
Despite the abundance of research and sustained interest in Mental Toughness (MT), very little research has addressed the potentially maladaptive aspects of this construct in sport (e.g., physical toughness, risk-taking, controlling emotions) (Cowden et al., 2020). The purpose of the current study was to investigate the association between MT and self-reported risk-taking behaviours relative to factors that are known to influence risk-taking behaviours in sport. Sport participants with varying sport backgrounds (N =240) completed the Mental Toughness Index (Gucciardi et al., 2015), the Risk, Pain, and Injury Questionnaire (Walk & Wiersma, 2005), the Athletic Identity Measurement Scale (Brewer & Cornelius, 2001) and questions regarding specific risk-taking behaviour (i.e., performing in pain or injury) (Weinberg et al., 2013). Bivariate correlations revealed that MT was unrelated to the RPIQ but significantly and positively related to the AIMS (Social Identity and Exclusivity). Results of a hierarchical regression analysis demonstrated that MT was not a significant predictor of self-reported risk-taking behaviour, whereas the AIMS and the RPIQ Tough subscale were significant predictors. This study builds on previous research that has directly investigated or linked MT and risk-taking in athletes (Bull et al., 2005; Crust & Keegan, 2010; Coulter et al., 2010) and adds insight into the kinds of physical risk-taking behaviours that do not appear to be associated with MT in sport. Furthermore, these results may also point to the stance that mentally tougher athletes can be flexible when it comes to behavioural perseverance in sport (Crust et al., 2016; Gucciardi, 2017).
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».