ADHD Among High-Level Athletes and Its Potentially Beneficial Role in Athlete Development
Notice bibliographique
Résumé
Attention-deficit hyperactivity disorder (ADHD) is a relatively common neurodevelopmental condition affecting 2.5% of the general adult population. Some researchers have suggested that certain ADHD traits may benefit one’s athletic performance. Therefore, its prevalence might be even higher among athletes, especially high-level athletes. Yet, we know little about how common ADHD is among athletes from different skill levels. In North America, the assessment of ADHD among athletes has relied on medication reports and prior medical diagnoses. However, some adults are unaware of having the condition and, thus, do not have a diagnosis. Using self-reports to assess ADHD in adult athletes may improve our estimation of ADHD rates. In this cross-sectional study, 138 students from a Canadian university above 18 years old answered a survey containing the Adult ADHD Self-Report Scale (ASRS v1.1) along with sports background and demographic questions to investigate the potential prevalence of ADHD among athletes using a standardized self-report scale and to test for skill group differences in ADHD. We found ADHD symptoms were present in adult athletes at a rate approximately 4 times greater than previous studies assessing ADHD through medical reports/diagnoses. Further, we found a higher ADHD rate in intermediate/high-level athletes than low-level athletes. These findings may suggest potential benefits of ADHD for athletes, particularly at higher skill levels, and that ADHD rates among athletes may be underestimated. This study warrants further research to better understand the potential athletic development benefit for athletes with ADHD and contributes to a more comprehensive narrative of ADHD.
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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».