MétaCan
Menu
Retour à la cohorte
Enregistrement W7066427879

The Impact of Teammate Interactions on Team Cohesion in Collegiate Athletics

2023· article· en· W7066427879 sur OpenAlexaff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePsychology
ThématiqueMental Health via Writing
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésAffect (linguistics)Cohesion (chemistry)PerceptionAthletesIdeal (ethics)Context (archaeology)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Cohesion is considered to be one of the most important small group variables (Lott & Lott, 1965) and can be influenced by many individual and team factors (Carron & Spink, 1993). For instance, Carron and Spink (1993) theorized that teams with increased teammate interactions are more likely to experience high cohesiveness, yet no research to our knowledge has been conducted to empirically support this assumption. Therefore, the purpose of this study was to examine athletes’ perceptions of what constitutes an ideal amount of time interacting with teammates as well as the consequences of interacting frequently and infrequently in various team-related contexts. Participants were 165 athletes competing on varsity collegiate sport teams who completed an online questionnaire in which they were asked to report the minimum and maximum amount of hours per week that they would like to interact with teammates in various contexts. Descriptive statistics were calculated for interaction time within each context and a series of MANOVAs and t-tests were conducted to examine differences in the ideal amount of interaction time in each context based on gender, sport, year on team, amount of playing time, and living situation. Significant differences were found based on gender and living situation in a majority of contexts. The findings can be used to inform collegiate coaches and athletes concerning the ideal amount of interaction that should occur and how to navigate their athletes’ personal factors that may affect the preferred amount of time they want to spend with their teammates.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,001
Communication savante0,0020,000
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,453
Écart entre enseignants0,396 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMental Health via WritingTravaux en français237 207