Is it the number of sports specific practice hours that contributes to attaining expertise or the pace at which these hours are accumulated?
Notice bibliographique
Résumé
While hours of practice is an important predictor of expertise, in many sports, other developmental factors (e.g., number of other sports practiced) can affect the relationship between training hours and attainment. Among those factors, the importance of the rate at which practice hours are accumulated over the years currently causes debate, as conflicting results were obtained. Importantly, previous studies examining rates of change were conducted on single sports. This study investigated the degree to which the number of training hours per year was a determinant of attaining elite level across sports. A total of 625 athletes (age 14-49; 55.3% women) from a variety of sports filled the Developmental History of Athletes Questionnaire. Their expected level ranged from local junior to international senior competition. Athletes indicated the number of hours spent in their main sport each year from age 5 to 35 (or current age), across various types of training (e.g., physical vs. mental, group vs. individual, structured vs. unstructured). The total hours accumulated in each category and their slope according to age were calculated for each participant and included in a stepwise linear regression to predict their expected level of competition. The only significant predictor (R² = .13) was the slope of group practice (β = .37). Importantly, most slopes strongly correlated together, suggesting a concern with multicolinearity. These results suggest it may not be the total hours of practice in the main sports that facilitate excellency, but rather the speed at which those hours were obtained.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,004 | 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 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 ».