Duygusal Zekâ Psikolojik Beceriler İçin Önemli Mi? Sporcularda Psikolojik Beceriler ile Duygusal Zekâ Arasındaki İlişki
Bibliographic record
Abstract
Bu araştırmanın amacı sporcuların duygusal zekâsı ile psikolojik becerileri arasındaki ilişkinin incelenmesidir. Bu amaçla 160 erkek (%76.2) 50 kadın (%23.8) olmak üzere toplam 210 sporcu gönüllü olarak araştırmaya katılmıştır. Araştırmaya katılan sporcuların yaşları 21.10±2.68, spor deneyimleri 8.22±4.21 yıl ve haftalık antrenman süresi 10.56±6.06 saat olarak belirlenmiştir. Veri toplama aracı olarak Ottawa Mental Yetenek Değerlendirme Ölçeği ve Sporda Duygusal Zekâ Envanteri kullanılmıştır. Analizler SPSS 22 programında, tanımlayıcı istatistikler, Pearson korelasyon analizi ve regresyon analizi (enter yöntemi) ile değerlendirilmiştir. Pearson korelasyon analizi sonuçlarına göre duygusal zekânın tüm alt boyutları ile psikolojik becerilerin hedef belirleme, özgüven, kararlılık, rahatlama, canlandırma, odaklanma, hayal gücü, zihinde canlandırma ve mücadele planı alt boyutları arasında istatistiksel olarak anlamlı pozitif ilişki olduğu bulunmuştur. Regresyon analizi sonuçlarına göre duyguların kullanımının hedef belirleme, rahatlama ve hayal gücünü; kendi duygularını değerlendirme ve duyguların kullanımı puanlarının canlandırma ve zihinde canlandırmayı; duyguları düzenleme ve duyguların kullanımının özgüveni, sosyal becerilerin odaklanmayı; sosyal beceriler ve duyguların kullanımının ise mücadele planını istatistiksel olarak anlamlı düzeyde açıkladığı belirlenmiştir. Bu bulgular doğrultusunda sporcuların psikolojik becerilerinin duygusal zekâları ile ilişkili olduğu ve duygusal zekânın sporcuların psikolojik becerisine anlamlı katkı sağlayabileceği söylenebilir. Araştırmanın sonuçları genel olarak değerlendirildiğinde, sporcularda duygusal zekânın gelişimine katkı sağlayacak uygulamaların psikolojik becerileri de olumlu olarak etkileyebileceği söylenebilir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".