Perceived crisis readiness of ice arena managers
Notice bibliographique
Résumé
This correlational study examined the competency of crisis readiness and leadership of ice arena managers using a cross-sectional survey. The target audience was ice arena owners, managers, and operators of ice arenas in the United States and Canada. The researcher examined which factors (ice arena characteristics) best predict ice arena managers' Crisis Readiness as well as group differences in Crisis Readiness. The Crisis Readiness Survey, which consisted of 61 items, was emailed and/or posted to participants. Twelve questions gleaned demographical information, while the remaining items generated nine subscales: Emergency Evacuation Planning, Agency Calibration, Spectator Control, Policies and Procedures, Liability, Emergency/Crisis Management, Credential Control, Perimeter Control, and Crisis Leadership. The subscales were measured using a 5-point scale from 1 (very low capability) to 5 (very high capability). Subscales were calculated as the mean of respective items. The mean of 42 items generated the variable Overall Crisis Readiness. The data indicated statistically significant differences in Crisis Readiness by Participation in Training. The more training ice industry professionals obtain, the better prepared they will be to manage a crisis and lead their staff through it. Whereas Education Levels, Years of Experience, and Job Title did not generate statistically significant differences in Crisis Readiness subscales and overall. Participation in Training was found to be the best predictor of Overall Crisis Readiness, based on the predictive model Y = 2.43X + 2.59. However, Participation in Training only accounted for 5% variance in Overall Crisis Readiness. When comparing the United States and Canada, Canadian ice arena managers reported significantly higher competency in Evacuation Planning.
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 | 0,001 |
| 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 ».