Mental Health and Officiating Performance
Notice bibliographique
Résumé
Instances of abuse are shown to reduce the mental well-being of sports officials (Noel et al., 2022). Moreover, 90% of football referees believe common mental disorders (CMD) can negatively influence refereeing performances, however, only 18% seek medical advice (Gouttebarge et al., 2017). Existing literature has yet to quantify the relationship between performance and mental health in sports officials. Therefore, this study will use a subjective rating of officiating performance “(e.g., positioning, rule application, communication, etc.) developed by Hancock et al., (2022), and measures of mental health outcomes using the Kessler K10 psychological distress scale (Kessler et al., 2002), and the Warwick-Edinburgh mental well-being scale (WEMWBS; Tennant et al., 2007) to determine if there is a direct relationship between mental health and performance. A sample of 274 referees (85% male, 84% Caucasian, Mage = 47.3, Mexperience = 19.0) from Canada Basketball participated in this study. A simultaneous Multiple Linear Regression predicting performance from psychological distress and well-being was significant F (2, 268) = 29.90, p < .001), accounting for 17% of the variation in officials’ performance. Interestingly, while well-being was a significant predictor of performance (β = 0.45, p < .001), psychological distress was not. These results are contextualized within the Dual Continuum Model of mental health, which suggests that mental health and mental illness are two separate but related constructs, and support well-being-based initiatives within this population.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».