Article de recherche
Une étude menée auprès de 385 athlètes chinois a révélé que l’utilisation de l’intelligence artificielle (IA) et de l’auto-efficacité influencent positivement le bien-être psychologique, ce qui, à son tour, améliore la performance sportive perçue. Le bien-être psychologique médie également les relations entre l’IA/l’auto-efficacité et la performance. Les résultats suggèrent d’intégrer des outils d’IA avec des stratégies pour renforcer l’auto-efficacité et le bien-être.
Cette étude a examiné comment l’IA influence le bien-être psychologique et la performance sportive perçue chez les athlètes en Chine. Plus précisément, il visait à étudier l’effet direct de l’utilisation de l’intelligence artificielle sur le bien-être psychologique, l’effet de l’auto-efficacité des athlètes sur le bien-être psychologique, l’effet du bien-être psychologique sur la performance sportive perçue, ainsi que le rôle médiateur du bien-être psychologique dans ces relations. Une approche de recherche quantitative a été adoptée en utilisant un plan d’enquête transversal. Les données ont été collectées auprès de 385 athlètes compétitifs en Chine à l’aide d’un questionnaire structuré, et analysées à l’aide du Statistical Package for the Social Sciences (SPSS) et du Partial Least Least Squares Structural Equation Modeling (PLS-SEM). Les résultats ont indiqué que l’utilisation de l’intelligence artificielle et l’auto-efficacité des athlètes ont toutes deux eu un impact positif sur le bien-être psychologique, tandis que le bien-être psychologique a eu un impact positif sur la performance perçue du sport. De plus, le bien-être psychologique a significativement médié les relations entre l’utilisation de l’intelligence artificielle et la performance sportive perçue, ainsi qu’entre l’auto-efficacité des athlètes et la performance sportive perçue. Ces résultats laissaient entendre que les ressources technologiques et psychologiques étaient toutes deux importantes pour améliorer les résultats des athlètes. L’étude suggérait que les organisations sportives, les entraîneurs et les décideurs devraient intégrer les systèmes soutenus par l’IA avec des stratégies qui renforcent l’auto-efficacité et le bien-être psychologique des athlètes. Dans l’ensemble, l’étude a conclu que l’intelligence artificielle contribue à la performance sportive non seulement par un soutien technique, mais aussi par son influence positive sur le fonctionnement psychologique des athlètes.
L’intelligence artificielle devient une force majeure dans le sport contemporain, permettant aux entraîneurs, analystes et athlètes de traiter de grands volumes de données pour la surveillance des performances, la prévention des blessures, la planification tactique et l’adaptation personnaliséede l’entraînement. Des revues récentes confirment que l’IA et l’apprentissage automatique sont de plus en plus appliqués à la surveillance biomécanique, à l’analyse de charge de travail, à la réhabilitation, au suivi des mouvements et à l’optimisation de l’entraînement, signalant un virage décisif vers des systèmes de préparation et de compétition basés sur les données et soutenuspar la technologie 2. Pourtant, à mesure que ces technologies s’intègrent dans la routine quotidienne des athlètes, les chercheurs ont averti que leur influence dépasse largement les domaines techniques et biomédicaux : les outils d’IA influencent également la manière dont les athlètes interprètent les retours, évaluent leurs propres progrès et régulent la confiance et la motivation à l’entraînementet en compétition 3. En Chine, cette question est urgente. Les autorités sportives nationales ont rapporté que des systèmes d’entraînement assistés par IA fournissant un retour technique en temps réel sont déjà déployés parmi les équipes d’élite, rendant essentiel de comprendre non seulement les gains de performance mais aussi les conséquences psychologiques d’une telleintégration 4.
Alors que les bénéfices appliqués de l’IA dans le sport sont de plus en plus documentés, un nombre croissant de recherches a commencé à sonder ses implications psychologiques, révélant un tableau plus nuancé que ce que suggérait la littératureancienne 5. D’une part, les études ont identifié des répercussions négatives, notamment l’anxiété de rétroaction résultant d’un suivi constant de la performance, une dépendance algorithmique pouvant compromettre la prise de décision autonome, et une pression accrue lorsque les comparaisons sociales basées sur les données deviennentomniprésentes 6. En revanche, les chercheurs ont souligné des bénéfices psychologiques potentiels : lorsque le retour d’information de l’IA est perçu comme un soutien, il peut réduire l’incertitude de performance, renforcer le contrôle des athlètes sur leur développement et renforcer la capacité d’autorégulation7. Ce débat émergent démontre que l’impact psychologique de l’IA n’est pas monolithique ; cela dépend plutôt de la manière dont les athlètes évaluent et intègrent les apports technologiques dans leur concept de soi et leur pratique quotidienne8. De manière critique, les travaux existants restent fragmentés. Les études isolent généralement des résultats psychologiques uniques tels que l’anxiété, la motivation ou l’épuisement professionnel sans examiner comment ces résultats s’interlient, et très peu ont positionné le bien-être psychologique comme un mécanisme explicatif central reliant l’utilisation de l’IA à la performance sportive.
La présente étude s’attaque à cette lacune en se concentrant sur le bien-être psychologique (PW) comme mécanisme central de médiation. S’appuyant sur la tradition eudaimonique, le PWB englobe six dimensions : maîtrise de l’environnement, croissance personnelle, but dans la vie, acceptation de soi, autonomie et relations positives avec autrui, particulièrement pertinentes dans le sport9, où les athlètes doivent gérer des attentes intenses, faire face à l’incertitude et maintenir un fonctionnement équilibré tout en poursuivant l’excellence compétitive10. Des preuves récentes confirment que le bien-être des athlètes n’est pas seulement un sous-produit désirable, mais une base essentielle pour une performance durable, un adaptation adaptative et un développement sportif à longterme. Il est important de noter que la PWB peut servir de canal psychologique par lequel les ressources technologiques et les compétences personnelles se traduisent par de meilleures évaluations de performance : l’IA peut favoriser le bien-être en répondant aux besoins fondamentaux de compétence, d’autonomie et de relation, tandis que l’auto-efficacité peut maintenir le bien-être en favorisant la confiance et larésilience 12,13.
L’intégration croissante de l’IA dans les environnements sportifs grâce à des appareils connectés connectés intelligents, au suivi de mouvement et à l’analyse personnalisée des performances a le potentiel de transformer non seulement l’efficacité de l’entraînement, mais aussi l’expérience psychologique desathlètes 14. Bien que le discours existant présente une grande partie du discours existant présente l’IA comme un outil technique pour la prévention des blessures ou la prise de décision tactique, une vision plus théoriquement ancrée suggère que les environnements sportifs pilotés par l’IA peuvent agir comme une ressource psychologique significative15. S’appuyant sur la théorie de l’autodétermination, les systèmes d’IA peuvent soutenir la satisfaction des besoins psychologiques fondamentaux, de l’autonomie, de la compétence et de la relation qui sont largement établis comme précurseurs du bien-être eudaimonique16. Lorsque les athlètes reçoivent des retours individualisés, fondés sur des données, qui clarifient leurs progrès et réduisent l’ambiguïté de leurs performances, leur sentiment de compétence se renforce ; lorsque les plateformes alimentées par l’IA proposent des options de formation adaptées et des emplois du temps adaptables, l’autonomie est renforcée ; Et lorsque des tableaux de bord partagés ou des analyses collaboratives facilitent une communication constructive entre entraîneur et athlète, le besoin de relation est nourri17. Grâce à ces voies, l’utilisation de l’IA peut influencer positivement les composantes fondamentales du bien-être psychologique (PWB)17, de la maîtrise de l’environnement (en augmentant la prévisibilité et le contrôle de son environnement d’entraînement), de la croissance personnelle (en visualisant des améliorations progressives au fil du temps), du but dans la vie (en alignant l’entraînement quotidien avec des objectifs sportifs à long terme), de l’acceptation de soi (en normalisant les fluctuations de performance grâce à des données objectives) et des relations positives (en favorisant un soutien échanges interpersonnels)18. Par conséquent, la présente étude émet des hypothèses : H1 : L’utilisation de l’intelligence artificielle a un impact positif sur le bien-être psychologique.
L’auto-efficacité de l’athlète fait référence à la croyance d’un individu en sa capacité à accomplir avec succès des tâches, à surmonter des défis et à obtenir les résultats souhaités dans des contextessportifs 19. Selon la théorie de l’auto-efficacité, les individus qui ont plus confiance en leurs capacités sont plus susceptibles de persister dans des situations difficiles, de réguler leurs efforts et de réagir de manière constructive aux revers20. Dans les environnements sportifs, l’auto-efficacité est particulièrement importante car les athlètes font régulièrement face à une pression compétitive, des exigences physiques et une incertitude de performance21,22. Dans cette étude, l’auto-efficacité des athlètes est représentée à travers l’efficacité de la discipline sportive, l’efficacité psychologique, l’efficacité de la pensée professionnelle et l’efficacité de la personnalité, reflétant la nature multidimensionnelle de la confiance en le fonctionnement athlétique. Les athlètes ayant une forte auto-efficacité sont généralement mieux capables de gérer le stress, de maintenir leur motivation et de préserver leur équilibre émotionnel souspression 24. Ces athlètes sont plus susceptibles de considérer les défis comme gérables plutôt que menaçants, ce qui peut améliorer leur fonctionnement psychologique et leur sentiment général de bien-être25,26 Puisque le bien-être psychologique inclut des éléments tels que l’acceptation de soi27, l’autonomie et le but dans la vie, l’auto-efficacité peut être comprise comme une ressource interne importante qui soutient ces états psychologiquespositifs 28. Dans des environnements sportifs exigeants, une plus grande auto-efficacité peut donc aider les athlètes à maintenir un état psychologique plus sain et plus adaptatif. H2 : L’auto-efficacité des athlètes a un impact positif sur le bien-être psychologique.
Le bien-être psychologique (PWB) est une construction multidimensionnelle reflétant un fonctionnement positif, la croissance personnelle, un engagement significatif et un ajustement sain dans lavie 29. Suivant le cadre eudaimonique de Ryff, il englobe six dimensions : la maîtrise de l’environnement (la capacité à gérer efficacement son environnement), la croissance personnelle (un sentiment de développement continu), le but dans la vie (le maintien d’objectifs significatifs), l’acceptation de soi (une attitude positive envers soi), l’autonomie (autodétermination et indépendance) et les relations positives avec les autres (liens interpersonnels chaleureux et confiants)30. Dans le domaine du sport, chaque dimension a une pertinence distincte dans la manière dont les athlètes évaluent leur propreperformance 31. La maîtrise de l’environnement permet aux athlètes de contrôler les exigences d’entraînement et les facteurs de stress compétitifs ; la croissance personnelle alimente un effort soutenu et un affinement des compétences ; Le but dans la vie ancre l’engagement envers des aspirations sportives à long terme ; l’acceptation de soi sert à protéger l’autocritique après les revers ; L’autonomie soutient la motivation intrinsèque et la prise de décision sous pression32. Ainsi, le PWB n’est pas seulement l’absence de détresse, mais une base psychologique positive qui permet aux athlètes de rester concentrés, résilients et motivés pendant l’entraînement etla compétition. Lorsque les athlètes se sentent déterminés, confiants en eux et émotionnellement équilibrés, ils sont mieux à même de gérer l’adversité, de maintenir leur concentration et d’évaluer favorablement leurs propres performances, faisant de la PWB un puissant prédicteur de la performance sportiveperçue 34. Conformément à ces considérations, la présente étude émet des hypothèses : H3 : Le bien-être psychologique influence positivement la performance sportive perçue.
La relation entre l’utilisation de l’intelligence artificielle et la performance sportive n’est peut-être pas entièrement directe, car les bénéfices de l’IA se réalisent souvent à travers les réponses psychologiques internes desathlètes. L’IA peut fournir des informations liées à la performance, des recommandations d’entraînement et des retours en temps réel, mais l’influence réelle de ces entrées technologiques dépend de la manière dont les athlètes les interprètent et les utilisent36. Si l’utilisation de l’IA augmente le sentiment de contrôle, de compétence et de croissance chez les athlètes, elle pourrait d’abord améliorer leur bien-être psychologique avant d’influencer les résultats deperformance 37. Cela suggère que le bien-être psychologique pourrait expliquer le processus par lequel l’utilisation de l’IA contribue à de meilleures perceptions liées à la performance dans le sport. En d’autres termes, les athlètes qui utilisent régulièrement des outils soutenus par l’IA peuvent se sentir plus préparés, plus confiants dans leur entraînement et plus satisfaits de leurs progrès, ce qui peut renforcer leur bien-êtrepsychologique. Une fois que les athlètes connaissent un meilleur bien-être, ils sont susceptibles de devenir plus concentrés, émotionnellement stables et motivés, et ces qualités peuvent influencer positivement leur perception de leur performancesportive. Ainsi, le bien-être psychologique peut fonctionner comme un mécanisme explicatif reliant l’engagement technologique aux résultats liés au sport. Sur la base de ce raisonnement, la présente étude propose que l’impact de l’utilisation de l’intelligence artificielle sur la performance sportive perçue se transmet par le bien-être psychologique. H4 : Le bien-être psychologique médie la relation entre l’utilisation de l’IA et la performance sportive perçue.
L’auto-efficacité des athlètes est largement reconnue comme un prédicteur important des résultats positifs dans le sport, car elle influence la persévérance, la confiance en soi et l’adaptation adaptative. Cependant, l’effet de l’auto-efficacité sur la performance peut également se manifester indirectement par le bien-être psychologique. Les athlètes qui croient fermement en leurs capacités sont plus susceptibles de se sentir autonomes, déterminés et acceptants envers eux-mêmes, ce qui est un élément central du bien-êtrepsychologique. En ce sens, l’auto-efficacité affecte non seulement directement l’action et l’effort ; Elle peut également contribuer à un état psychologique plus sain qui soutient le fonctionnement et la performance à long terme. Lorsque les athlètes possèdent une grande auto-efficacité, ils sont généralement mieux équipés pour gérer les revers, gérer la pression et rester engagés dans leurs objectifs. Ces expériences peuvent renforcer leur bien-être psychologique, ce qui améliore à son tour leur perception de la performance sportive. Ainsi, le bien-être psychologique peut servir de mécanisme par lequel la confiance dans ses capacités sportives se traduit par des résultats plus forts liés à laperformance 41. Plutôt que de supposer que l’auto-efficacité influence uniquement directement la performance, cette étude soutient que les athlètes performent mieux lorsque leur confiance en eux améliore leur fonctionnement psychologique global. H5 : Le bien-être psychologique médie la relation entre l’auto-efficacité des athlètes et la performance sportive perçue.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Considérations éthiques
L’étude était exemptée de toute évaluation éthique formelle en vertu de la politique de l’institution car elle répondait aux critères de recherche anonyme et à risque minimal. Toutes les procédures ont été menées en stricte conformité avec les normes éthiques de la Déclaration d’Helsinki. Avant la collecte des données, le consentement éclairé était obtenu de tous les participants adultes. Pour les participants de moins de 18 ans, un consentement éclairé écrit était obtenu de leurs parents ou tuteurs légaux, ainsi qu’un consentement écrit obtenu des mineurs eux-mêmes. Tous les répondants ont été explicitement informés de l’objectif de la recherche, de leur participation volontaire, de leur droit de se retirer à tout moment sans conséquence, ainsi que des strictes mesures de confidentialité appliquées à leurs données. Aucune information personnelle identifiable n’a été collectée ou rapportée, et toutes les données ont été utilisées exclusivement pour une analyse académique agrégée. Une attention particulière a été portée à des formulations respectueuses et non intrusives afin de s’assurer que l’enquête n’interfère pas avec les engagements d’entraînement ou le bien-être psychologique des athlètes. Pour plus de détails, veuillez consulter le tableau des matériaux.
Conception de la recherche et contexte d’étude
Cette étude a utilisé une approche de recherche quantitative utilisant un plan d’enquête transversale pour examiner les relations proposées entre l’utilisation de l’intelligence artificielle, l’auto-efficacité des athlètes, le bien-être psychologique et la performance sportive perçue chez les athlètes en Chine. Un plan quantitatif a été jugé approprié car l’étude visait à tester des hypothèses dérivées théoriquement, à examiner la force et la direction des relations entre des concepts clairement spécifiés, et à évaluer à la fois les effets directs et médiateurs par des procédures statistiques. L’approche transversale a été choisie parce que les données sur toutes les variables de l’étude ont été collectées auprès des répondants à un moment donné, permettant au chercheur de saisir les perceptions actuelles des athlètes concernant l’utilisation de l’IA dans le sport, leurs croyances en efficacité, leur bien-être psychologique et leurs résultats de performance perçus. Cette conception était largement utilisée en sciences sociales et comportementales, notamment lorsque l’objectif était d’identifier des schémas d’association entre constructions latentes et de tester un modèle structurel théoriquement fondé dans un contexte naturel. L’étude a été menée en Chine, offrant un cadre empirique très pertinent pour cette recherche, car le pays a connu une numérisation rapide dans de nombreux secteurs, notamment le sport, la condition physique et le développement des athlètes. Ces dernières années, les institutions sportives chinoises, les universités, les centres de formation professionnelle et les organisations sportives ont de plus en plus intégré des systèmes basés sur l’IA dans l’entraînement, la surveillance des performances, l’évaluation technique et les pratiques de prévention des blessures. Cette utilisation croissante des technologies sportives intelligentes a créé un environnement propice pour examiner si l’exposition à des systèmes sportifs soutenus par l’IA contribuait aux états psychologiques et aux perceptions de performance des athlètes. De plus, la nature très compétitive de l’environnement sportif chinois rendait particulièrement important de comprendre comment les ressources technologiques et les capacités psychologiques influençaient conjointement le fonctionnement des athlètes. Par conséquent, le contexte chinois offrait à la fois une pertinence pratique et une valeur théorique pour l’étude du modèle proposé.
Population et échantillon
La population cible de l’étude était composée d’athlètes compétitifs en Chine, y compris ceux affiliés à des universités, des académies sportives, des clubs professionnels, des centres provinciaux d’entraînement et d’autres institutions sportives organisées, qui participaient activement à des entraînements réguliers et à des activités compétitives. L’étude s’est concentrée sur les athlètes car ils étaient les répondants les plus appropriés pour évaluer le rôle de l’intelligence artificielle dans les contextes sportifs et pour rapporter leur auto-efficacité, leur bien-être psychologique et leur performance perçue. Pour s’assurer que les répondants avaient une connaissance suffisante du sujet, seules les personnes actuellement pratiquant un sport organisé et ayant un certain niveau d’exposition à des environnements sportifs soutenus par la technologie ont été incluses dans l’enquête. Un échantillon de 385 répondants a été utilisé pour l’étude. Cette taille d’échantillon a été jugée suffisante pour une étude quantitative impliquant plusieurs variables latentes, des constructions multidimensionnelles et une analyse de médiation, notamment lors de l’utilisation de PLS-SEM, qui nécessitait des cas suffisants pour l’estimation des paramètres stables et l’évaluation prédictive.
Les répondants ont été sélectionnés par une technique d’échantillonnage intentionnelle, permettant au chercheur de cibler des individus répondant à des critères d’inclusion spécifiques pertinents pour les objectifs de l’étude. L’échantillonnage intentionnel était particulièrement approprié car la recherche nécessitait des données provenant des athlètes plutôt que de la population générale. Concrètement, les participants étaient contactés via des institutions sportives, des départements sportifs universitaires, des clubs, des programmes d’entraînement et des réseaux d’athlètes. L’échantillon devait représenter un éventail de disciplines sportives, de niveaux de compétition et de parcours d’athlètes afin d’élargir les résultats et de fournir un portrait plus significatif de la manière dont les pratiques sportives liées à l’IA ont été vécues dans différents contextes sportifs en Chine.
Mesure des variables
L’étude a utilisé un questionnaire structuré pour mesurer toutes les variables, et tous les items ont été adaptés à partir d’échelles déjà établies rapportées dans la littérature. Le questionnaire utilisait un format de réponse de type Likert, largement accepté pour mesurer les perceptions, attitudes, croyances et expériences auto-rapportées dans la recherche quantitative. La variable indépendante, l’utilisation de l’IA, a été mesurée à partir de huit éléments adaptés d’une étude42, et reformulés pour correspondre au contexte sportif. Plus précisément, ces éléments ont incité les athlètes à indiquer dans quelle mesure ils s’engageaient activement avec les technologies sportives soutenues par l’IA lors de l’entraînement et des compétitions. Pour ancrer ce concept dans la pratique concrète, le questionnaire énumérait explicitement des exemples d’applications d’IA que les athlètes du système sportif chinois rencontrent couramment, notamment des biocapteurs portables (par exemple, montres connectées, moniteurs de variabilité de fréquence cardiaque, trackers de performance compatibles GPS), des systèmes d’analyse vidéo pilotés par IA et de capture de mouvement fournissant un retour technique automatisé, des plateformes personnalisées de recommandation d’entraînement adaptant les charges de travail basées sur des données en temps réel, et des tableaux de bord d’analytique prédictive utilisés pour les alertes aux risques de blessure et la surveillance de la récupération. Ces éléments ont ainsi relevé la fréquence d’utilisation auto-déclarée par les athlètes et l’intégration perçue de ces outils intelligents dans leur routine sportive quotidienne, plutôt que de simples attitudes générales envers la technologie. Cette opérationnalisation permet au concept de refléter l’étendue de l’exposition à l’IA tout en reconnaissant que les athlètes n’étaient pas tenus de distinguer les différents sous-types algorithmiques ; au contraire, l’échelle mesurait un niveau global d’engagement avec les environnements sportifs compatibles avec l’IA. Il convient de noter qu’en raison de l’hétérogénéité des outils d’IA à travers le sport et les institutions, le concept considère l’utilisation de l’IA comme une variable latente large, une limitation abordée plus loin.
La deuxième variable indépendante, l’auto-efficacité de l’athlète, a été conceptualisée comme un concept multidimensionnel mesuré à travers quatre dimensions : l’efficacité de la discipline sportive, l’efficacité psychologique, l’efficacité de la pensée professionnelle et l’efficacité de la personnalité, chacune comportant quatre items. Ce traitement multidimensionnel saisit l’étendue théorique de l’auto-efficacité dans le sport compétitif, où la confiance va au-delà de l’exécution physique pour inclure la croyance en sa discipline et le respect des programmes d’entraînement (efficacité de la discipline sportive), la préparation mentale et la régulation émotionnelle sous pression (efficacité psychologique), la compréhension tactique et la capacité de prise de décision (efficacité de la pensée professionnelle), ainsi que des caractéristiques personnelles résilientes telles que la persévérance et adaptabilité (efficacité de la personnalité). Ces quatre dimensions sont fondées sur l’Échelle d’Auto-Efficacité de l’Athlète développée et validée par Koçak43, où elles ont montré qu’elles reflètent collectivement un sens global de la capacité athlétique. La variable médiatrice, le bien-être psychologique, a été mesurée à l’aide d’une version adaptée de l’échelle de bien-être psychologique pour les enfants (PWB-c) par un groupede 44, qui comprend six dimensions : maîtrise de l’environnement (7 éléments), croissance personnelle (5 éléments), but dans la vie (5 éléments), acceptation de soi (5 éléments), autonomie (5 éléments) et relations positives (10 éléments). Bien qu’initialement développés pour les populations plus jeunes, les items PWB-c sont formulés avec un langage simple, ancré dans le cadre eudaimonique de Ryff, rendant le contenu conceptuellement approprié pour les adultes. Pour la présente étude, les éléments ont été soigneusement examinés et reformulés lorsque cela était nécessaire, par exemple en remplaçant les références scolaires par des contextes d’entraînement ou de sport afin d’assurer leur adéquation pour les athlètes adultes compétitifs sans modifier les concepts sous-jacents. La variable dépendante, la performance sportive perçue, a été adaptée d’une autreétude 45, et comprenait trois dimensions : performance orientée vers l’auto-soi (4 items), performance socialement prescrite (4 items) et performance orientée vers les autres (4 items). Comme plusieurs constructions du modèle étaient multidimensionnelles, elles ont été traitées comme des constructions latentes d’ordre supérieur dans l’analyse des données. Pour garantir l’équivalence linguistique et conceptuelle dans le contexte chinois, l’instrument complet a subi une procédure rigoureuse de traduction et de rétrotraduction par des experts bilingues en psychologie du sport, suivie d’un examen d’experts pour évaluer la validité du contenu et la pertinence culturelle. Un test pilote a ensuite été mené avec un petit échantillon d’athlètes (n = 30) afin d’évaluer la clarté des items, le processus de réponse et la cohérence interne préliminaire ; Les retours ont conduit à de légers ajustements de formulation avant la collecte principale des données. L’utilisation d’échelles adaptées et préalablement validées, combinée à ces étapes procédurales, a renforcé la validité du contenu et la cohérence théorique du modèle de mesure.
Procédure de collecte des données
Les données ont été collectées via une enquête auto-administrée en ligne et en présentiel, selon l’accessibilité et la disponibilité pratique des répondants. Cette approche de répartition mixte a été adoptée pour maximiser la participation des athlètes issus de différentes institutions et milieux sportifs en Chine. Avant la collecte complète des données, l’instrument de l’enquête a été examiné pour la formulation, la clarté, la pertinence et l’adéquation contextuelle. Comme les échelles originales avaient été développées dans différents contextes, les éléments ont été soigneusement adaptés pour refléter les réalités de l’entraînement sportif et des environnements de performance en Chine. Lorsque cela était nécessaire, des modifications mineures de formulation ont été apportées pour aider les répondants à relier facilement les éléments à leurs propres expériences sportives sans modifier les significations sous-jacentes des constructions.
Le questionnaire final a été divisé en sections logiques : une brève introduction expliquant l’objectif de la recherche, suivie de questions démographiques, puis les items de mesure pour l’utilisation de l’intelligence artificielle, l’auto-efficacité des athlètes, le bien-être psychologique et la performance sportive perçue. Lors de la collecte des données, les participants ont été informés que leur participation était entièrement volontaire, qu’il n’y avait pas de bonnes ou de mauvaises réponses, et que l’étude était menée uniquement à des fins académiques. Ils ont été assurés que toutes les réponses resteraient confidentielles et anonymes et qu’aucune information personnelle identifiable ne serait divulguée dans la publication des résultats. Ces procédures étaient importantes pour réduire les biais de réponse, encourager des réponses honnêtes et accroître la crédibilité des données collectées. Les questionnaires remplis étaient examinés avant analyse afin de s’assurer que seules des réponses valides et utilisables étaient conservées pour les tests statistiques.
Les participants ont été recrutés grâce à une combinaison d’échantillonnages intentionnels et de boules de neige dans les centres d’entraînement provinciaux, les départements sportifs universitaires et les clubs sportifs professionnels de l’est et du sud de la Chine. Les critères d’inclusion exigeaient que les participants soient des athlètes actifs (âgés ≥ 16 ans) avec au moins un an d’expérience en entraînement systématique et une exposition régulière à des outils de performance basés sur l’IA (par exemple, des capteurs portables, des logiciels d’analyse vidéo ou des applications d’entraînement intelligentes). Les critères d’exclusion incluaient une formation actuelle à la prévention des blessures, des enquêtes incomplètes ou le non-consentement à l’utilisation des données. Tous les participants ont donné leur consentement éclairé écrit avant de participer ; Pour les athlètes de moins de 18 ans, le consentement parental ou tuteur était également obtenu. Concernant la traduction et l’adaptation culturelle, toutes les échelles anglaises originales ont été traduites indépendamment en chinois par deux chercheurs bilingues en sciences du sport, réconciliées en une seule version, puis rétrotraduites par un troisième traducteur aveugle aux éléments originaux. Les divergences ont été résolues par une table ronde d’experts, suivie d’un test pilote avec 30 athlètes (non inclus dans l’échantillon final) afin de confirmer l’équivalence sémantique, conceptuelle et contextuelle. Ce processus garantissait que les instruments de mesure étaient à la fois linguistiquement précis et culturellement adaptés au contexte sportif chinois.
Technique d’analyse des données
Les données collectées ont été analysées à l’aide de SPSS et PLS-SEM, car ces deux outils étaient appropriés pour traiter des données d’enquête quantitative et tester des modèles théoriques complexes impliquant la médiation et des variables latentes multidimensionnelles. Lors de la première phase d’analyse, SPSS a été utilisé pour la préparation des données et l’examen statistique préliminaire. Cela comprenait le codage des réponses, la vérification des valeurs manquantes, l’identification des valeurs aberrantes, le dépistage des questionnaires incomplets et la génération de statistiques descriptives telles que les fréquences, moyennes et écarts-types pour les variables démographiques et d’étude. SPSS a également été utilisé pour évaluer la cohérence interne des échelles au niveau initial et pour s’assurer que les données étaient adaptées à une analyse multivariée ultérieure. Lors de la deuxième étape, PLS-SEM a été appliqué pour évaluer à la fois le modèle de mesure et le modèle structurel. PLS-SEM a été choisi car il était particulièrement adapté lorsque l’étude impliquait des constructions d’ordre supérieur, des objectifs orientés vers la prédiction, des relations de médiation et des modèles qui ne nécessitaient pas strictement une normalité multivariée. L’évaluation du modèle de mesure s’est concentrée sur l’examen de la fiabilité des indicateurs, des charges externes, de la fiabilité des composites, de l’alpha de Cronbach, de la variance moyenne extraite et de la validité discriminante à travers des critères acceptés tels que le critère de Fornell-Larcker et le rapport HTMT.
Après confirmation de l’adéquation du modèle de mesure, le modèle structurel a été évalué pour évaluer les relations hypothétiques. Des coefficients de chemin, des valeurs t, des valeurs p et des intervalles de confiance corrigés à 95 % ont été obtenus par bootstrapping avec 5 000 sous-échantillons, une procédure recommandée pour des tests de signification stables et fiables dans le PLS-SEM. Le pouvoir explicatif du modèle a été examiné via le coefficient de détermination (R2), les tailles d’effet (f2) et la pertinence prédictive (Q2). Les relations structurelles hypothétées entre l’utilisation de l’intelligence artificielle, l’auto-efficacité des athlètes, le bien-être psychologique et la performance sportive perçue ont d’abord été évaluées, suivies de l’évaluation du bien-être psychologique en tant que médiateur. L’analyse de médiation a été réalisée en évaluant l’importance des effets indirects spécifiques de l’utilisation de l’IA sur la performance perçue du sport à travers le bien-être psychologique, et de l’auto-efficacité de l’athlète à la performance sportive perçue via le bien-être psychologique, en utilisant la même procédure de bootstrapping pour générer des intervalles de confiance robustes pour les voies indirectes. De plus, comme toutes les variables ont été collectées à partir d’un seul instrument d’enquête, un biais de méthode courant a été évalué afin de renforcer la rigueur de l’analyse. Ensemble, l’utilisation de SPSS pour le criblage préliminaire des données et de PLS-SEM pour la modélisation structurelle a fourni un cadre analytique systématique et robuste pour le test d’hypothèses.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Statistiques descriptives (N = 385)
Des statistiques descriptives ont été présentées pour résumer les caractéristiques de base des variables de l’étude et fournir une compréhension initiale des données avant de réaliser une analyse statistique avancée. En recherche quantitative, les statistiques descriptives sont importantes car elles montrent la moyenne des réponses des participants et la variation des réponses au sein de l’échantillon. Dans cette étude, les valeurs ...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Avant d’interpréter les conclusions substantielles, il est nécessaire de clarifier certaines limites analytiques et méthodologiques de la présente étude. Cette recherche utilise une conception d’enquête transversale et analyse les données via la modélisation structurelle basée sur la variance (PLS-SEM). Par conséquent, les auteurs ont divisé les données en robustesse du modèle et pertinence prédicative, qui ont été évaluées par bootstrapping (5 000 rééchantillons) et la statistique Stone...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
L’auteur de cet article ne déclare aucun conflit d’intérêts.
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Artificial Intelligence Use Scale (adapted for sport) | Adapted from Abbas et al. [42] | [42] | N/A |
| Athlete Self-Efficacy Scale (multidimensional) | Adapted from Koçak [45] | [45] | N/A |
| IBM SPSS Statistics (Version 28) | IBM Corp., Armonk, NY, USA | https://www.ibm.com/products/spss-statistics | SCR_002865 |
| Perceived Sport Performance Scale | Adapted from Hill et al. [44] | [44] | N/A |
| Pilot test questionnaire | In-house | In-house (instrument) | N/A |
| Psychological Well-Being Scale for Children (PWB-c) – adapted for adult athletes | Adapted from Opree et al. [43] | [43] | N/A |
| SmartPLS (Version 4.2) | SmartPLS GmbH, Oststeinbek, Germany | https://www.smartpls.com/ | SCR_022040 |
| Translation and back-translation procedure (bilingual experts) | In-house (sport psychology researchers) | In-house (procedure) | N/A |
Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE
Demander une autorisation