“My Biggest Learning Curve:” Coaches’ Experiences of Working with Athletes who Menstruate
Notice bibliographique
Résumé
Menstruation is experienced by many athletes who participate in sport, yet it is a topic that is still considered “taboo” and rarely addressed in sport, academic, or broader public discourse. Low levels of coach knowledge regarding menstruation in sport can hinder athlete-coach communication (Höök et al., 2021), and coaches have voiced interest in trying to understand how to communicate with athletes about their menstrual cycle and associated symptoms (Clarke et al., 2021). The objective of our program of research is to identify necessary components for developing evidence-based practices and guidelines to support athletes who menstruate. The specific purpose of this study was to describe coaches’ experiences of working with athletes who menstruate. Participants included 15 high-performance coaches (11 women, 4 men) involved at national and international levels in a variety of winter and summer sports. Using a qualitative description study design, participants engaged in one-on-one semi-structured interviews via Zoom. Interviews were audio-recorded, transcribed verbatim, and analyzed using a process of content analysis as described by Elo and Kyngäs (2008). The findings of this study are represented by one overarching theme: managing athletes’ menstruation experiences, and four main themes: (a) understanding symptoms and contraceptives, (b) normalizing conversations, (c) establishing coaching education, and (d) creating change. The complex and diverse experiences shared by participants highlight the importance of studying menstruation within the sport context. Findings from this research may help to inform the development and implementation of sport practices and guidelines that support menstruating athletes.
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 ».