Come l'intelligenza artificiale influenza il benessere psicologico e le prestazioni fisiche nello sport

Sommario

Uno studio su 385 atleti cinesi ha rilevato che l'uso dell'intelligenza artificiale (IA) e dell'autoefficacia influenzano positivamente il benessere psicologico, il che, a sua volta, migliora la percezione delle prestazioni sportive. Il benessere psicologico media anche le relazioni tra IA/autoefficacia e performance. I risultati suggeriscono l'integrazione degli strumenti di IA con strategie per aumentare l'autoefficacia e il benessere.

Abstract

Questo studio ha esaminato come l'IA influenzi il benessere psicologico e la percezione delle prestazioni sportive tra gli atleti cinesi. In particolare, mirava a indagare l'effetto diretto dell'uso dell'intelligenza artificiale sul benessere psicologico, l'effetto dell'autoefficacia degli atleti sul benessere psicologico, l'effetto del benessere psicologico sulle prestazioni sportive percepite e il ruolo mediatore del benessere psicologico in queste relazioni. È stato adottato un approccio di ricerca quantitativa utilizzando un disegno di indagine trasversale. I dati sono stati raccolti da 385 atleti competitivi in Cina utilizzando un questionario strutturato, e analizzati utilizzando il Statistical Package for the Social Sciences (SPSS) e il Partial Least Squares Structural Equation Modeling (PLS-SEM). I risultati indicano che l'uso dell'intelligenza artificiale e l'autoefficacia degli atleti influenzano positivamente il benessere psicologico, mentre il benessere psicologico influenza positivamente la percezione delle prestazioni sportive. Inoltre, il benessere psicologico ha mediato in modo significativo le relazioni tra l'uso dell'intelligenza artificiale e la percezione della prestazione sportiva, nonché tra l'autoefficacia degli atleti e la percezione delle prestazioni sportive. Questi risultati implicavano che sia le risorse tecnologiche che quelle psicologiche fossero importanti per migliorare i risultati degli atleti. Lo studio suggeriva che organizzazioni sportive, allenatori e responsabili politici dovrebbero integrare sistemi supportati dall'IA con strategie che rafforzino l'autoefficacia e il benessere psicologico degli atleti. Nel complesso, lo studio ha concluso che l'intelligenza artificiale contribuisce alle prestazioni sportive non solo attraverso il supporto tecnico, ma anche attraverso la sua influenza positiva sul funzionamento psicologico degli atleti.

Introduzione

L'intelligenza artificiale sta diventando una forza fondamentale nello sport contemporaneo, permettendo a allenatori, analisti e atleti di elaborare grandi volumi di dati per il monitoraggio delle prestazioni, la prevenzione degli infortuni, la pianificazione tattica e l'adattamento personalizzato^{dell'allenamento.} Recenti revisioni confermano che l'IA e il machine learning sono sempre più applicati al monitoraggio biomeccanico, all'analisi del carico di lavoro, alla riabilitazione, al tracciamento del movimento e all'ottimizzazione dell'addestramento, segnalando un cambiamento decisivo verso sistemi di preparazione e competizione basati sui dati e supportati^{dalla tecnologia.} Tuttavia, man mano che queste tecnologie diventano integrate nella routine quotidiana degli atleti, gli studiosi hanno avvertito che la loro influenza va ben oltre i domini tecnici e biomedici: gli strumenti di IA influenzano anche il modo in cui gli atleti interpretano i feedback, valutano i propri progressi e regolano la fiducia e la motivazione nell'allenamento^{e nelle competizioni 3}. In Cina, questa questione è urgente. Le autorità sportive nazionali hanno riferito che sistemi di allenamento assistiti dall'IA che forniscono feedback tecnico in tempo reale sono già stati implementati tra le squadre d'élite, rendendo essenziale comprendere non solo i miglioramenti di prestazione ma anche le conseguenze psicologiche di tale^{integrazione 4}.

Sebbene i benefici applicati dell'IA nello sport siano sempre più documentati, un numero crescente di ricerche ha iniziato a indagare le sue implicazioni psicologiche, rivelando un quadro più sfumato di quanto suggerisca la letteratura^{iniziale 5}. Da un lato, gli studi hanno identificato ripercussioni negative, tra cui l'ansia da feedback derivante dal monitoraggio costante delle prestazioni, la dipendenza algoritmica che può compromettere il processo decisionale autonomo e una pressione aumentata quando i confronti sociali basati sui dati diventano^{pervasivi 6}. D'altra parte, i ricercatori hanno evidenziato potenziali benefici psicologici: quando il feedback dell'IA è percepito come di supporto, può ridurre l'incertezza delle prestazioni, aumentare il senso di controllo degli atleti sul proprio sviluppo e rafforzare la capacità di^{autoregolazione 7}. Questo dibattito emergente dimostra che l'impatto psicologico dell'IA non è monolitico; Dipende piuttosto da come gli atleti valutano e integrano gli input tecnologici nel loro concetto di sé e nella pratica^{quotidiana 8}. Fondamentalemente, il lavoro esistente rimane frammentato. Gli studi solitamente isolano singoli esiti psicologici come ansia, motivazione o burnout senza esaminare come questi risultati si interconnettano, e pochissimi hanno posizionato il benessere psicologico come un meccanismo esplicativo centrale che collega l'uso dell'IA alle prestazioni sportive.

Il presente studio affronta questa lacuna concentrandosi sul benessere psicologico (PWB) come meccanismo mediatore fondamentale. Attingendo alla tradizione eudaimonica, PWB comprende sei dimensioni: padronanza ambientale, crescita personale, scopo nella vita, accettazione di sé, autonomia e relazioni positive con gli altri, particolarmente rilevanti nello sport⁹, dove gli atleti devono gestire aspettative intense, affrontare l'incertezza e mantenere un funzionamento equilibrato mentre persegueno l'eccellenza^{competitiva 10}. Evidenze recenti confermano che il benessere degli atleti non è solo un sottoprodotto desiderabile, ma una base fondamentale per prestazioni sostenibili, adattamento e sviluppo atletico a lungo^{termine 11}. È importante sottolineare che il PWB può fungere da condotto psicologico attraverso cui sia le risorse tecnologiche che le competenze personali si traducono in valutazioni delle prestazioni migliori: l'IA può favorire il benessere soddisfacendo i bisogni fondamentali di competenza, autonomia e relazionalità, mentre l'autoefficacia può sostenere il benessere promuovendo fiducia in sé stessi e^{resilienza 12,13}.

La crescente integrazione dell'IA negli ambienti sportivi attraverso dispositivi indossabili intelligenti, tracciamento del movimento e analisi personalizzata delle prestazioni ha il potenziale di trasformare non solo l'efficienza dell'allenamento, ma anche le esperienze psicologiche degli^{atleti 14}. Sebbene gran parte del discorso esistente inquadri l'IA come uno strumento tecnico per la prevenzione degli infortuni o il processo decisionale tattico, una visione più teoricamente fondata suggerisce che gli ambienti sportivi guidati dall'IA possano agire come una risorsa psicologica significativa¹⁵. Attingendo alla teoria dell'autodeterminazione, i sistemi di IA possono supportare il soddisfacimento dei bisogni psicologici fondamentali, autonomia, competenza e relazionalità ampiamente consolidati come precursori del benessere eudaimonico¹⁶. Quando gli atleti ricevono feedback individualizzati e basati sui dati che chiariscono i loro progressi e riducono l'ambiguità delle prestazioni, il loro senso di competenza si rafforza; quando le piattaforme basate sull'IA offrono opzioni di formazione su misura e orari adattabili, l'autonomia si rafforza; e quando dashboard condivise o analisi collaborative facilitano una comunicazione costruttiva tra allenatore e atleta, la necessità di parentelo si nutre¹⁷. Attraverso questi percorsi, l'uso dell'IA può influenzare positivamente i componenti fondamentali del benessere psicologico (PWB)¹⁷, della padronanza ambientale (aumentando la prevedibilità e il controllo sull'ambiente di allenamento), della crescita personale (visualizzando miglioramenti incrementali nel tempo), dello scopo nella vita (allineando l'allenamento quotidiano con obiettivi sportivi a lungo termine), dell'accettazione di sé (normalizzando le fluttuazioni di performance attraverso dati oggettivi) e delle relazioni positive (favorendo il supporto scambi interpersonali⁾¹⁸. Pertanto, il presente studio ipotizza: H1: L'uso dell'intelligenza artificiale influisce positivamente sul benessere psicologico.

L'autoefficacia dell'atleta si riferisce alla convinzione di un individuo nella propria capacità di svolgere con successo compiti, superare le sfide e ottenere i risultati desiderati in contesti^{sportivi 19}. Secondo la teoria dell'autoefficacia, gli individui che hanno maggiore fiducia nelle proprie capacità sono più propensi a persistere in situazioni difficili, a regolare il proprio sforzo e a rispondere in modo costruttivo alle battute^{d'arresto 20}. Negli ambienti sportivi, l'autoefficacia è particolarmente importante perché gli atleti affrontano regolarmente pressioni competitive, richieste fisiche e incertezze sulle prestazioni^21,22. In questo studio, l'autoefficacia degli atleti è rappresentata attraverso l'efficacia della disciplina sportiva, l'efficacia psicologica, l'efficacia del pensiero professionale e l'efficacia della personalità, riflettendo la natura multidimensionale della fiducia nel funzionamento^atletico. Gli atleti con alta autoefficacia sono generalmente più in grado di gestire lo stress, mantenere la motivazione e preservare l'equilibrio emotivo sotto pressione^24. Tali atleti sono più propensi a vedere le sfide come gestibili piuttosto che minacciose, il che può migliorare il loro funzionamento psicologico e il senso generale di benessere^25,26. Poiché il benessere psicologico include elementi come l'accettazione di sé²⁷, l'autonomia e lo scopo nella vita, l'autoefficacia può essere intesa come una risorsa interna importante che sostiene questi stati psicologici^{positivi 28}. In ambienti sportivi impegnativi, una maggiore autoefficacia può quindi aiutare gli atleti a mantenere uno stato psicologico più sano e adattivo. H2: L'autoefficacia degli atleti influisce positivamente sul benessere psicologico.

Il benessere psicologico (PWB) è un costrutto multidimensionale che riflette un funzionamento positivo, la crescita personale, un coinvolgimento significativo e un adattamento sano nella^{vita 29}. Seguendo il quadro eudaimonico di Ryff, comprende sei dimensioni: padronanza ambientale (la capacità di gestire efficacemente l'ambiente circostante), crescita personale (senso di sviluppo continuo), scopo nella vita (mantenere obiettivi significativi), accettazione di sé (un atteggiamento positivo verso se stessi), autonomia (autodeterminazione e indipendenza) e relazioni positive con gli altri (connessioni interpersonali calde e fiduciose⁾³⁰. Nel campo sportivo, ogni dimensione ha una rilevanza distinta per il modo in cui gli atleti valutano la propria^{prestazione 31}. La padronanza ambientale prepara gli atleti a gestire le esigenze di allenamento e gli stress competitivi; la crescita personale alimenta sforzi costanti e affinamento delle competenze; Lo scopo nella vita è il punto di riferimento per l'impegno verso aspirazioni sportive a lungo termine; l'accettazione di sé protegge l'autocritica dopo le battute d'arresto; L'autonomia sostiene la motivazione intrinseca e il processo decisionale sotto^{pressione 32}. Pertanto, la PWB non è semplicemente l'assenza di disagio, ma una base psicologica positiva che permette agli atleti di rimanere concentrati, resilienti e motivati durante l'allenamento e^{la competizione 33}. Quando gli atleti si sentono determinati, sicuri di sé ed emotivamente equilibrati, sono più in grado di affrontare le avversità, mantenere la concentrazione e valutare favorevolmente le proprie prestazioni, rendendo il PWB un potente predittore della percezione di prestazioni sportive³⁴. In linea con queste considerazioni, il presente studio ipotizza: H3: Il benessere psicologico influisce positivamente sulle prestazioni sportive percepite.

La relazione tra l'uso dell'intelligenza artificiale e la performance sportiva potrebbe non essere completamente diretta, perché i benefici dell'IA si realizzano spesso attraverso le risposte psicologiche interne degli^atleti. L'IA può fornire informazioni relative alle prestazioni, raccomandazioni di allenamento e feedback in tempo reale, ma l'effettiva influenza di questi input tecnologici dipende da come gli atleti li interpretano e^{utilizzano 36}. Se l'uso dell'IA aumenta la sensazione di controllo, competenza e crescita degli atleti, potrebbe prima migliorare il loro benessere psicologico prima di influenzare i risultati di prestazione³⁷. Ciò suggerisce che il benessere psicologico possa spiegare il processo attraverso cui l'uso dell'IA contribuisce a migliorare la percezione delle prestazioni nello sport. In altre parole, gli atleti che utilizzano regolarmente strumenti supportati dall'IA possono sentirsi più preparati, più sicuri nel loro allenamento e più soddisfatti dei loro progressi, il che può rafforzare il loro benessere^{psicologico 38}. Una volta che gli atleti raggiungono un benessere superiore, è probabile che diventino più concentrati, emotivamente stabili e motivati, e queste qualità possono influenzare positivamente il modo in cui percepiscono le loro prestazioni sportive^. Pertanto, il benessere psicologico può funzionare come meccanismo esplicativo che collega l'impegno tecnologico agli esiti legati allo sport. Sulla base di questo ragionamento, il presente studio propone che l'impatto dell'uso dell'intelligenza artificiale sulla percezione delle prestazioni sportive si trasmetta attraverso il benessere psicologico. H4: Il benessere psicologico media la relazione tra l'uso dell'IA e la percezione delle prestazioni sportive.

L'autoefficacia degli atleti è ampiamente riconosciuta come un importante indicatore di risultati positivi nello sport perché influenza la perseveranza, la fiducia in sé stessi e l'adattamento nell'affrontare le cose. Tuttavia, l'effetto dell'autoefficacia sulle prestazioni può verificarsi anche indirettamente attraverso il benessere psicologico. Gli atleti che credono fermamente nelle proprie capacità hanno maggiori probabilità di sentirsi autonomi, con uno scopo e accettanti se stessi, elementi centrali del benessere^{psicologico 40}. In questo senso, l'autoefficacia non influenza direttamente l'azione e lo sforzo; Può anche contribuire a uno stato psicologico più sano che supporta il funzionamento e le prestazioni a lungo termine. Quando gli atleti possiedono un'elevata autoefficacia, generalmente sono meglio preparati ad affrontare le battute d'arresto, gestire la pressione e rimanere impegnati nei propri obiettivi. Queste esperienze possono rafforzare il loro benessere psicologico, il che a sua volta può migliorare la percezione delle prestazioni sportive. Pertanto, il benessere psicologico può fungere da meccanismo attraverso cui la fiducia nella propria capacità atletica si traduce in risultati più forti legati alle^{prestazioni 41}. Invece di presumere che l'autoefficacia influenzi direttamente le prestazioni, questo studio sostiene che gli atleti ottengono risultati migliori quando la loro autostima migliora il funzionamento psicologico più ampio. H5: Il benessere psicologico media la relazione tra l'autoefficacia degli atleti e la percezione delle prestazioni sportive.

Protocollo

Considerazioni etiche
Lo studio è stato esentato dalla revisione etica formale secondo la politica dell'istituzione poiché soddisfava i criteri per una ricerca anonima e a rischio minimo. Tutte le procedure furono condotte in rigorosa conformità agli standard etici della Dichiarazione di Helsinki. Prima della raccolta dei dati, veniva ottenuto il consenso informato da tutti i partecipanti adulti. Per i partecipanti sotto i 18 anni, è stato ottenuto il consenso informato scritto dai genitori o tutori legali, insieme al consenso scritto ottenuto dagli stessi minorenni. Tutti i rispondenti sono stati esplicitamente informati dello scopo della ricerca, della loro partecipazione volontaria, del diritto di ritirarsi in qualsiasi momento senza conseguenze e delle rigorose misure di riservatezza applicate ai loro dati. Non sono state raccolte o riportate informazioni personali identificabili, e tutti i dati sono stati utilizzati esclusivamente per analisi accademiche aggregate. È stata data particolare attenzione a formulazioni non invasive e rispettose per garantire che il sondaggio non interferisse con gli impegni di allenamento o il benessere psicologico degli atleti. Per maggiori dettagli, consulta la Tabella dei Materiali.

Progettazione della ricerca e contesto dello studio
Questo studio ha utilizzato un approccio di ricerca quantitativo utilizzando un disegno di indagine trasversale per esaminare le relazioni proposte tra l'uso dell'intelligenza artificiale, l'autoefficacia degli atleti, il benessere psicologico e la percezione delle prestazioni sportive tra gli atleti cinesi. Un disegno quantitativo è stato ritenuto appropriato perché lo studio mirava a testare ipotesi teoricamente derivate, esaminare la forza e la direzione delle relazioni tra costrutti chiaramente specificati e valutare sia gli effetti diretti che medianti attraverso procedure statistiche. L'approccio trasversale è stato scelto perché i dati su tutte le variabili dello studio sono stati raccolti dai rispondenti in un singolo momento, permettendo al ricercatore di catturare le percezioni attuali degli atleti sull'uso dell'IA nello sport, le loro convinzioni sull'efficacia, il benessere psicologico e i risultati percepiti sulle prestazioni. Questo progetto era ampiamente utilizzato nelle scienze sociali e comportamentali, in particolare quando l'obiettivo era identificare schemi di associazione tra costrutti latenti e testare un modello strutturale teoricamente fondato in un contesto naturale. Lo studio è stato condotto in Cina, offrendo un contesto empirico altamente rilevante per questa ricerca perché il paese ha vissuto una rapida digitalizzazione in molteplici settori, tra cui sport, fitness e sviluppo degli atleti. Negli ultimi anni, istituzioni sportive cinesi, università, centri di formazione professionale e organizzazioni sportive hanno integrato sempre più sistemi basati su IA nelle pratiche di allenamento, monitoraggio delle prestazioni, valutazione tecnica e prevenzione degli infortuni. Questo uso in espansione delle tecnologie sportive intelligenti ha creato un ambiente adatto per esaminare se l'esposizione a sistemi sportivi supportati dall'IA abbia contribuito agli stati psicologici e alle percezioni delle prestazioni degli atleti. Inoltre, la natura altamente competitiva dell'ambiente sportivo cinese ha reso particolarmente importante comprendere come le risorse tecnologiche e le capacità psicologiche influenzino congiuntamente il funzionamento degli atleti. Pertanto, il contesto cinese offriva sia rilevanza pratica che valore teorico per l'indagine del modello proposto.

Popolazione e campione
La popolazione target dello studio era composta da atleti competitivi in Cina, inclusi coloro affiliati a università, accademie sportive, club professionistici, centri di addestramento provinciali e altre istituzioni sportive organizzate, che erano attivamente coinvolti in allenamenti regolari e attività competitive. Lo studio si è concentrato sugli atleti perché erano i rispondenti più adatti per valutare il ruolo dell'intelligenza artificiale nei contesti sportivi e per riportare la loro autoefficacia, il benessere psicologico e la percezione delle prestazioni. Per garantire che gli intervistati avessero una sufficiente familiarità con l'argomento, sono stati inclusi solo individui attualmente impegnati in sport organizzati e con un certo livello di esposizione a ambienti sportivi supportati dalla tecnologia. Per lo studio è stato utilizzato un campione di 385 intervistati. Questa dimensione del campione è stata considerata adeguata per uno studio quantitativo che coinvolgeva più variabili latenti, costrutti multidimensionali e analisi di mediazione, in particolare nell'uso di PLS-SEM, che richiedeva casi sufficienti per la stima dei parametri stabili e la valutazione predittiva.

I rispondenti sono stati selezionati tramite una tecnica di campionamento proposito, che ha permesso al ricercatore di puntare a individui che soddisfacevano specifici criteri di inclusione rilevanti per gli obiettivi dello studio. Il campionamento proposito era particolarmente adatto perché la ricerca richiedeva dati dagli atleti piuttosto che dalla popolazione generale. In termini pratici, i partecipanti venivano contattati tramite istituzioni sportive, dipartimenti atletici universitari, club, programmi di allenamento e reti di atleti. Il campione doveva rappresentare una gamma di discipline sportive, livelli competitivi e background degli atleti per ampliare i risultati e fornire un quadro più significativo di come le pratiche sportive legate all'IA siano state vissute nei diversi contesti atletici in Cina.

Misurazione delle variabili
Lo studio ha utilizzato un questionario strutturato per misurare tutte le variabili, e tutti gli item sono stati adattati da scale già affermate e riportate in letteratura. Il questionario utilizzava un formato di risposta di tipo Likert, ampiamente accettato per misurare percezioni, atteggiamenti, credenze ed esperienze auto-riportate nella ricerca quantitativa. La variabile indipendente, l'uso dell'IA, è stata misurata utilizzando otto elementi adattati da uno studio⁴², e riformulati per adattarsi al contesto sportivo. In particolare, questi elementi hanno spinto gli atleti a indicare quanto si siano attivamente coinvolti con tecnologie sportive supportate dall'IA durante l'allenamento e le competizioni. Per fondare la costruzione nella pratica concreta, il questionario ha elencato esplicitamente esempi di applicazioni di IA che gli atleti nel sistema sportivo cinese incontrano comunemente, tra cui biosensori indossabili (ad esempio, smartwatch, monitor di variabilità della frequenza cardiaca, tracker di prestazioni abilitati GPS), analisi video basate sull'IA e sistemi di motion capture che forniscono feedback tecnico automatizzato, piattaforme personalizzate di raccomandazione di allenamento che adattano i carichi di lavoro basandosi su dati in tempo reale, e dashboard di analisi predittiva utilizzate per allerte di rischio infortunio e monitoraggio del recupero. Gli articoli hanno così catturato la frequenza di utilizzo auto-riportata dagli atleti e la percepita integrazione di questi strumenti intelligenti nelle loro routine sportive quotidiane, piuttosto che solo atteggiamenti generali verso la tecnologia. Questa operativizzazione permette al costrutto di riflettere l'ampiezza dell'esposizione all'IA, riconoscendo al contempo che gli atleti non erano tenuti a distinguere tra diversi sottotipi algoritmici; invece, la scala misurava un livello olistico di coinvolgimento con ambienti sportivi abilitati dall'IA. Va notato che, a causa dell'eterogeneità degli strumenti di IA tra sport e istituzioni, il concetto tratta l'uso dell'IA come una variabile latente ampia, una limitazione discussa più avanti.

La seconda variabile indipendente, l'autoefficacia dell'atleta, è stata concettualizzata come un costrutto multidimensionale misurato attraverso quattro dimensioni: efficacia della disciplina sportiva, efficacia psicologica, efficacia del pensiero professionale ed efficacia della personalità, ciascuna con quattro elementi. Questo trattamento multidimensionale cattura l'ampiezza teorica dell'autoefficacia nello sport competitivo, dove la fiducia si estende oltre l'esecuzione fisica includendo la fiducia nella propria disciplina e l'adesione ai regimi di allenamento (efficacia della disciplina sportiva), la preparazione mentale e la regolazione emotiva sotto pressione (efficacia psicologica), la comprensione tattica e la capacità decisionale (efficacia del pensiero professionale) e caratteristiche personali resilienti come la perseveranza e adattabilità (efficacia della personalità). Queste quattro dimensioni sono radicate nella Scala di Auto-Efficacia dell'Atleta sviluppata e validata da Koçak⁴³, dove è stato dimostrato che riflettono collettivamente un senso complessivo di capacità atletica. La variabile mediatrice, il benessere psicologico, è stata misurata utilizzando una versione adattata della Psychological Well-Being Scale for Children (PWB-c) da un gruppo^{di 44}, che comprende sei dimensioni: padronanza ambientale (7 elementi), crescita personale (5 elementi), scopo nella vita (5 elementi), accettazione di sé (5 elementi), autonomia (5 elementi) e relazioni positive (10 elementi). Sebbene originariamente sviluppati per popolazioni più giovani, gli elementi PWB-c sono formulati con un linguaggio semplice fondato sul quadro eudaimónico di Ryff, rendendo il contenuto concettualmente appropriato per gli adulti. Per il presente studio, gli elementi sono stati attentamente rivisti e riformulati dove necessario, ad esempio sostituendo i riferimenti scolastici con contesti di allenamento o sport per garantire l'idoneità agli atleti adulti competitivi senza alterare i concetti sottostanti. La variabile dipendente, la performance sportiva percepita, è stata adattata da un^{altro studio 45} e comprendeva tre dimensioni: performance auto-orientata (4 items), performance socialmente prescritta (4 items) e performance orientata agli altri (4 items). Poiché diversi costrutti nel modello erano multidimensionali, furono trattati come costrutti latenti di ordine superiore nell'analisi dei dati. Per garantire l'equivalenza linguistica e concettuale nel contesto cinese, l'intero strumento è stato sottoposto a una procedura rigorosa di traduzione e retrotraduzione da parte di esperti bilingui in psicologia dello sport, seguita da una revisione di un panel di esperti per valutare la validità dei contenuti e la rilevanza culturale. Successivamente è stato condotto un test pilota con un piccolo campione di atleti (n = 30) per valutare la chiarezza degli item, il processo di risposta e la coerenza interna preliminare; Il feedback ha portato a piccoli raffinamenti di formulazione prima della raccolta principale dei dati. L'uso di scale adattate e precedentemente validate, combinato con questi passaggi procedurali, ha migliorato la validità del contenuto e la coerenza teorica del modello di misurazione.

Procedura di raccolta dati
I dati sono stati raccolti tramite un sondaggio autogestito, sia online che in presenza, a seconda dell'accessibilità e della disponibilità pratica dei rispondenti. Questo approccio di distribuzione mista è stato adottato per massimizzare la partecipazione degli atleti di diverse istituzioni e contesti sportivi in Cina. Prima della raccolta completa dei dati, lo strumento del sondaggio è stato esaminato per formulazione, chiarezza, rilevanza e adeguatezza contestuale. Poiché le scale originali erano state sviluppate in contesti diversi, gli oggetti sono stati adattati con cura per riflettere le realtà degli ambienti di allenamento atletico e performance in Cina. Quando necessario, sono state apportate modifiche minori alla formulazione per aiutare i rispondenti a collegare facilmente gli elementi alle proprie esperienze sportive senza alterare i significati sottostanti dei costrutti.

Il questionario finale è stato suddiviso in sezioni logiche: una breve introduzione che spiegava lo scopo della ricerca, seguita da domande demografiche, e poi gli elementi di misurazione per l'uso dell'intelligenza artificiale, l'autoefficacia degli atleti, il benessere psicologico e la percezione delle prestazioni sportive. Durante la raccolta dei dati, ai partecipanti è stato informato che la loro partecipazione era interamente volontaria, che non esistevano risposte giuste o sbagliate e che lo studio era condotto esclusivamente a scopo accademico. È stato assicurato loro che tutte le risposte sarebbero rimaste riservate e anonime e che nessuna informazione personale identificativa sarebbe stata divulgata nella pubblicazione dei risultati. Queste procedure erano importanti per ridurre il bias di risposta, incoraggiare risposte oneste e aumentare la credibilità dei dati raccolti. I questionari compilati sono stati selezionati prima dell'analisi per garantire che solo risposte valide e utilizzabili siano state conservate per i test statistici.

I partecipanti sono stati reclutati tramite una combinazione di campionamenti propositi e a palle di neve nei centri di allenamento provinciali, nei dipartimenti sportivi universitari e nei club sportivi professionistici della Cina orientale e meridionale. I criteri di inclusione richiedevano che i partecipanti fossero atleti attivi (età ≥ 16 anni) con almeno un anno di esperienza di allenamento sistematico e regolare esposizione a strumenti di performance basati su IA (ad esempio, sensori indossabili, software di analisi video o app smart di allenamento). I criteri di esclusione includevano una formazione attuale sulla prevenzione degli infortuni, sondaggi incompleti o il mancato consenso all'uso dei dati. Tutti i partecipanti hanno fornito un consenso informato scritto prima della partecipazione; Per gli atleti sotto i 18 anni, era inoltre ottenuto il consenso dei genitori o del tutore. Per quanto riguarda la traduzione e l'adattamento culturale, tutte le scale originali in inglese sono state tradotte indipendentemente in cinese da due ricercatori bilingui in scienze dello sport, riconciliate in un'unica versione e poi retrotraduzioni da un terzo traduttore cieco agli elementi originali. Le discrepanze sono state risolte tramite una tavola rotonda di esperti, seguita da un test pilota con 30 atleti (non inclusi nel campione finale) per confermare l'equivalenza semantica, concettuale e contestuale. Questo processo garantiva che gli strumenti di misura fossero sia linguisticamente accurati sia culturalmente appropriati al contesto atletico cinese.

Tecnica di analisi dei dati
I dati raccolti sono stati analizzati utilizzando SPSS e PLS-SEM, poiché entrambi gli strumenti erano appropriati per gestire dati di indagini quantitative e per testare modelli teorici complessi che coinvolgono mediazione e variabili latenti multidimensionali. Nella prima fase di analisi, SPSS è stato utilizzato per la preparazione dei dati e l'esame statistico preliminare. Ciò includeva la codifica delle risposte, il controllo dei valori mancanti, l'identificazione degli outlier, lo screening per questionari incompleti e la generazione di statistiche descrittive come frequenze, medie e deviazioni standard per le variabili demografiche e dello studio. SPSS è stato inoltre utilizzato per valutare la coerenza interna delle scale a livello iniziale e per garantire che i dati fossero adatti a ulteriori analisi multivariate. Nella seconda fase, è stato applicato PLS-SEM per valutare sia il modello di misura che quello strutturale. PLS-SEM è stato selezionato perché particolarmente adatto quando lo studio coinvolgeva costrutti di ordine superiore, obiettivi orientati alla previsione, relazioni di mediazione e modelli che potrebbero non richiedere strettamente normalità multivariata. La valutazione del modello di misura si è concentrata sull'analisi dell'affidabilità degli indicatori, dei carichi esterni, dell'affidabilità composita, dell'alfa di Cronbach, della varianza media estratta e della validità discriminante attraverso criteri accettati come il criterio di Fornell-Larcker e il rapporto HTMT.

Dopo aver confermato l'adeguatezza del modello di misura, il modello strutturale è stato valutato per valutare le relazioni ipotetiche. Coefficienti di cammino, valori t, valori p e intervalli di confidenza corretti al bias al 95% sono stati ottenuti tramite bootstrapping con 5.000 sottocampioni, una procedura raccomandata per test di significatività stabili e affidabili in PLS-SEM. Il potere esplicativo del modello è stato esaminato tramite il coefficiente di determinazione (R²), le dimensioni degli effetti (f²) e la rilevanza predittiva (Q²). Le relazioni strutturali ipotizzate tra l'uso dell'intelligenza artificiale, l'autoefficacia degli atleti, il benessere psicologico e la percezione delle prestazioni sportive sono state valutate, seguite dalla valutazione del benessere psicologico come mediatore. L'analisi di mediazione è stata condotta valutando il significato degli effetti indiretti specifici dell'uso dell'IA sulla percezione della performance sportiva attraverso il benessere psicologico, e dall'autoefficacia dell'atleta alla percezione della prestazione sportiva attraverso il benessere psicologico, utilizzando la stessa procedura di bootstrap per generare intervalli di fiducia robusti per i percorsi indiretti. Inoltre, poiché tutte le variabili sono state raccolte da un unico strumento di indagine, è stato valutato il bias comune del metodo per rafforzare il rigore dell'analisi. Insieme, l'uso di SPSS per lo screening preliminare dei dati e di PLS-SEM per la modellazione strutturale hanno fornito un quadro analitico sistematico e solido per il test delle ipotesi.

Risultati

Statistiche descrittive (N = 385)
Sono state presentate statistiche descrittive per riassumere le caratteristiche di base delle variabili di studio e fornire una comprensione iniziale dei dati prima di condurre un'analisi statistica avanzata. Nella ricerca quantitativa, le statistiche descrittive sono importanti perché mostrano le risposte medie dei partecipanti e la variazione delle risposte all'interno del campione. In questo studio, i valori medi indicavano il livello generale di accordo degli atleti riguardo all'uso dell'intelligenza artificiale, all'autoefficacia degli atleti, al benessere psicologico e alla percezione delle prestazioni sportive, mentre i valori della deviazione standard riflettevano la dispersione delle risposte attorno alla media. Queste statistiche hanno aiutato a stabilire se i dati fossero normalmente distribuiti a un livello accettabile e se i rispondenti avessero generalmente riportato percezioni basse, moderate o alte delle variabili dello studio.

Variabili	N	Minimo	Massimo	Mediocre	Deviazione standard
Uso dell'intelligenza artificiale	385	1.42	4.91	3.78	0.68
Autoefficacia degli atleti	385	1.57	4.95	3.92	0.63
Benessere psicologico	385	1.66	4.88	3.85	0.59
Prestazioni sportive percepite	385	1.51	4.9	3.74	0.66

Tabella 1: Statistiche descrittive. Statistiche descrittive per le quattro variabili chiave dello studio (uso dell'intelligenza artificiale, autoefficacia degli atleti, benessere psicologico e percezione delle prestazioni sportive). Sulla base di 385 intervistati, tutte le variabili mostrano punteggi medi da moderati ad alti (da 3,74 a 3,92) e deviazioni standard accettabili (0,59–0,68), indicando una variabilità adeguata per ulteriori analisi.

La Tabella 1 mostra le statistiche descrittive (N = 385) per i quattro principali costrutti dello studio, basate sulle risposte di 385 atleti. I risultati indicarono che l'autoefficacia degli atleti aveva il valore medio più alto (M = 3,92, SD = 0,63), suggerendo che gli intervistati generalmente si percepivano sicuri delle proprie capacità atletiche e delle capacità psicologiche correlate. A questo è seguito il benessere psicologico (M = 3,85, SD = 0,59) e l'uso dell'IA (M = 3,78, SD = 0,68), indicando che i rispondenti hanno riportato livelli moderatamente elevati di benessere e coinvolgimento con strumenti sportivi legati all'IA. La percezione della prestazione sportiva aveva la media più bassa (M = 3,74, SD = 0,66), anche se rimaneva comunque sopra il punto medio della scala, suggerendo una percezione generalmente favorevole della prestazione tra gli atleti. Nel complesso, i punteggi medi hanno suggerito che i rispondenti hanno mostrato livelli moderati o alti su tutti i costrutti, mentre i valori di deviazione standard hanno indicato una distribuzione accettabile delle risposte, a supporto dell'idoneità dei dati per ulteriori analisi inferenziali.

Figura 1: Grafico a barre e linee delle statistiche descrittive per le variabili di studio. Questa figura presenta statistiche descrittive (punteggi medi) per le variabili dello studio. Le barre rappresentano le medie, le barre di errore le deviazioni standard, la linea blu indica i valori minimi osservati e la linea arancione indica i valori massimi osservati. I partecipanti hanno riportato il punteggio medio più alto per l'Autoefficacia dell'Atleta (M = 3,92), seguiti dal Benessere Psicologico (M = 3,85), Uso dell'Intelligenza Artificiale (M = 3,78) e Percezione della Prestazione Sportiva (M = 3,74), tutti misurati su una scala 0–5. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 1 presenta statistiche descrittive (punteggi medi) per le variabili dello studio. I partecipanti hanno riportato il punteggio medio più alto per l'Autoefficacia dell'Atleta (M = 3,92), seguiti dal Benessere Psicologico (M = 3,85), Uso dell'Intelligenza Artificiale (M = 3,78) e Percezione della Prestazione Sportiva (M = 3,74), tutti misurati su una scala 0–5. Le barre di errore (se mostrate) rappresentano le deviazioni standard; i valori esatti del SD, minimo e massimo non sono mostrati nel riepilogo attuale della figura.

Variabili	1	2	3	4
Uso dell'intelligenza artificiale	1
Autoefficacia degli atleti	0.481**	1
Benessere psicologico	0.536**	0.617**	1
Prestazioni sportive percepite	0.442**	0.558**	0.673**	1

Tabella 2: Matrice di correlazione. Questa tabella presenta la matrice di correlazione per le variabili principali dello studio e mostra che tutte le variabili erano positivamente e significativamente correlate tra loro.

La Tabella 2 ha presentato la matrice di correlazione (N = 385) per le variabili principali dello studio e ha mostrato che tutte le variabili erano positivamente e significativamente correlate tra loro. L'uso dell'intelligenza artificiale è stato positivamente associato all'autoefficacia degli atleti (r = 0,481, p < 0,01), al benessere psicologico (r = 0,536, p < 0,01) e alla percezione delle prestazioni sportive (r = 0,442, p < 0,01). L'autoefficacia degli atleti era anche positivamente correlata al benessere psicologico (r = 0,617, p < 0,01) e alla percezione delle prestazioni sportive (r = 0,558, p < 0,01). Tra tutte le relazioni, la correlazione più forte è stata trovata tra benessere psicologico e percezione delle prestazioni sportive (r = 0,673, p < 0,01), indicando che gli atleti con un benessere psicologico più elevato tendevano a riportare prestazioni sportive migliori. Nel complesso, queste fornivano un supporto preliminare alle ipotesi proposte e suggerivano che le variabili fossero sufficientemente correlate da giustificare il procedere con PLS-SEM per i test del modello strutturale.

Figura 2: Grafico a ragno della matrice di correlazione tra le variabili di studio. Illustra i modelli di correlazione tra le quattro variabili dello studio: Uso dell'Intelligenza Artificiale, Autoefficacia degli Atleti, Benessere Psicologico e Percezione delle Prestazioni Sportive. Ogni asse rappresenta una variabile, e ogni linea mostra il profilo di correlazione di una variabile con le altre nella matrice. Il grafico indica associazioni positive tra tutte le variabili, con la relazione più forte osservata tra Benessere Psicologico e Percezione della Prestazione Sportiva (r = 0,673, p < 0,01). Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2 matrice di correlazione che mostra i profili di correlazione di quattro variabili: uso dell'intelligenza artificiale, autoefficacia degli atleti, benessere psicologico e percezione delle prestazioni sportive. Ogni poligono traccia i valori di correlazione di una variabile con tutte le altre. I poligoni sovrapposti di Uso dell'Intelligenza Artificiale (blu) e Benessere Psicologico (verde) sono evidenziati per un confronto diretto. Tutte le correlazioni sono significative a p < 0,01 (**). Le statistiche descrittive indicavano che tutte e quattro le variabili dello studio avevano valori medi superiori al punto medio delle scale, suggerendo che gli intervistati generalmente riportavano livelli moderati o alti di uso dell'intelligenza artificiale, autoefficacia degli atleti, benessere psicologico e percezione delle prestazioni sportive. Tra le variabili, l'autoefficacia degli atleti ha riportato la media più alta, mentre la performance sportiva percepita ha riportato la media più bassa, anche se è rimasta a un livello soddisfacente. Inoltre, l'analisi di correlazione ha rivelato che tutte le variabili erano positive e significativamente associate tra loro. In particolare, il benessere psicologico ha mostrato la correlazione positiva più forte con la percezione delle prestazioni sportive, fornendo un supporto iniziale alle relazioni teoriche proposte. Questi risultati suggerivano che i dati fossero adeguati per ulteriori valutazioni del modello strutturale.

Valutazione del modello di misurazione
La valutazione dei modelli di misurazione è stata importante in questo studio perché ha stabilito se i costrutti utilizzati per misurare l'uso dell'intelligenza artificiale, l'autoefficacia degli atleti, il benessere psicologico e la percezione delle prestazioni sportive fossero affidabili e validi prima di testare le relazioni strutturali tra di essi. Poiché lo studio impiegava molteplici variabili latenti, alcune delle quali modellate tramite sottodimensioni, era necessario confermare che gli elementi osservati rappresentassero adeguatamente i loro costrutti previsti. Nel PLS-SEM, questo passaggio è essenziale perché la qualità del modello strutturale dipende dall'adeguatezza del modello di misura. Di conseguenza, il presente studio ha valutato il modello di misura attraverso carichi fattoriali, affidabilità composita (CR), varianza media estratta (AVE), rapporto HTMT e validità discriminante. I carichi degli indicatori sono stati esaminati per confermare l'affidabilità degli elementi, il CR è stato utilizzato per valutare la coerenza interna, l'AVE è stato usato per stabilire la validità convergente, i valori HTMT sono stati verificati per verificare la validità discriminante e il criterio Fornell-Larcker è stato applicato per confermare ulteriormente che ogni costrutto fosse empiricamente distinto dagli altri.

Costrutto	Sottodimensione	No. di Oggetti	Intervallo di carico esterno	CR	AVE
Uso dell'intelligenza artificiale	Uso dell'intelligenza artificiale	8	0.731–0.852	0.913	0.569
Autoefficacia degli atleti	Efficacia della disciplina sportiva	4	0.744–0.861	0.882	0.651
Autoefficacia degli atleti	Efficacia psicologica	4	0.728–0.844	0.871	0.629
Autoefficacia degli atleti	Efficacia del pensiero professionale	4	0.752–0.873	0.889	0.668
Autoefficacia degli atleti	Efficacia della personalità	4	0.719–0.836	0.864	0.614
Benessere psicologico	Maestria ambientale	7	0.712–0.846	0.91	0.592
Benessere psicologico	Crescita personale	5	0.726–0.851	0.883	0.603
Benessere psicologico	Scopo nella vita	5	0.738–0.862	0.891	0.621
Benessere psicologico	Auto-accettazione	5	0.721–0.848	0.88	0.595
Benessere psicologico	Autonomia	5	0.709–0.833	0.872	0.579
Benessere psicologico	Relazioni positive	10	0.718–0.857	0.942	0.618
Prestazioni sportive percepite	Performance auto-orientata	4	0.756–0.874	0.891	0.673
Prestazioni sportive percepite	Prestazioni socialmente prescritte	4	0.739–0.861	0.883	0.653
Prestazioni sportive percepite	Performance orientata all'altro	4	0.748–0.869	0.887	0.662

Tabella 3: Valutazione del modello di misura. Risultati della valutazione del modello di misura, che presentano i costrutti con le rispettive sottodimensioni, numero di elementi, intervalli di carico esterni, affidabilità composita (CR) e varianza media estratta (AVE). Tutti i carichi superano 0,70, i valori CR sono superiori a 0,86 e gli AVE variano da 0,569 a 0,673, indicando una validità convergente soddisfacente e una coerenza interna.

La Tabella 3 ha mostrato che tutte le sottodimensioni hanno dimostrato proprietà psicometriche soddisfacenti. I carichi esterni di tutti gli indicatori superavano la soglia minima accettabile di 0,70, indicando un'adeguata affidabilità dell'elemento. Allo stesso modo, tutti i valori CR variavano da 0,864 a 0,942, superando la soglia raccomandata di 0,70 e confermando una forte coerenza interna in tutte le dimensioni. I valori dell'AVE variavano da 0,569 a 0,673, indicando che ogni costrutto spiegava più del 50% della varianza nei suoi indicatori e quindi stabiliva la validità convergente. Nel complesso, i risultati hanno suggerito che gli elementi di misurazione hanno adeguatamente raccontato i rispettivi costrutti e che il modello era appropriato per ulteriori valutazioni discriminanti di validità e test strutturali del modello.

Figura 3: Misurazione PLS-SEM e modello strutturale. Questa figura mostra il modello di misurazione e strutturale consolidato del PLS-SEM, inclusi costrutti latenti, indicatori osservati, carichi fattoriali, coefficienti di percorso strutturale e valori di^R2 . La figura mostra i carichi fattoriali standardizzati (λ) per ciascun indicatore (tipicamente da 0,00 a 1,00, con valori accettabili ≥ 0,70), coefficienti di percorso (β) tra i costrutti (che vanno da -1,00 a +1,00) e coefficienti di determinazione (R²) per ciascuna variabile latente endogena (comunemente interpretata come 0,25 = debole, 0,50 = moderata e 0,75 = potenza predittiva sostanziale). Clicca qui per visualizzare una versione più grande di questa figura.

Figure 3 mostra percorsi consolidati di misurazione del SEM e strutturali tra l'uso dell'IA, l'autoefficacia degli atleti, il benessere psicologico e la percezione della prestazione sportiva. Mostra carichi fattoriali standardizzati (λ) per ogni indicatore (da 0,00 a 1,00, con valori accettabili ≥ 0,70), coefficienti di percorso (β) tra i costrutti (da -1,00 a +1,00) e coefficienti di determinazione (R²) per ciascuna variabile latente endogena (comunemente interpretata come 0,25 = debole, 0,50 = moderata e 0,75 = potenza predittiva sostanziale).

Costrutti	Uso dell'IA	Autoefficacia degli atleti	Benessere psicologico	Prestazioni sportive percepite
Uso dell'intelligenza artificiale	—
Autoefficacia degli atleti	0.562	—
Benessere psicologico	0.614	0.723	—
Prestazioni sportive percepite	0.497	0.648	0.781	—

Tabella 4: Rapporto HTMT. Rapporti eterotratto-monocaratteristica (HTMT) per valutare la validità discriminante. Tutti i valori sono al di sotto della soglia conservativa di 0,85, che varia da 0,497 a 0,781, confermando così la validità discriminante tra i quattro costrutti latenti.

La Tabella 4 presenta i rapporti HTMT per i principali costrutti dello studio. I risultati indicarono che tutti i valori HTMT erano al di sotto della soglia comunemente accettata di 0,85, suggerendo che i costrutti fossero empiricamente distinti tra loro. Il valore più alto di HTMT è stato trovato tra il benessere psicologico e la percezione della prestazione sportiva (0,781), che ha indicato una relazione relativamente forte tra i due costrutti, pur rimanendo entro il limite accettabile per la validità discriminante. Analogamente, i valori HTMT tra l'uso dell'intelligenza artificiale, l'autoefficacia degli atleti e il benessere psicologico sono rimasti al di sotto della soglia, confermando che i costrutti misuravano diversi domini concettuali. Questi risultati presunti supportavano quindi la validità discriminante del modello.

Costrutti	Uso dell'IA	Autoefficacia degli atleti	Benessere psicologico	Prestazioni sportive percepite
Uso dell'intelligenza artificiale	0.754
Autoefficacia degli atleti	0.481	0.786
Benessere psicologico	0.536	0.617	0.777
Prestazioni sportive percepite	0.442	0.558	0.673	0.801

Tabella 5: Validità discriminante (criterio di Fornell-Larcker). Questa tabella mostra la valutazione discriminante della validità utilizzando il criterio di Fornell-Larcker, con la radice quadrata della varianza media estratta (AVE) per ogni costrutto sulla diagonale (in grassetto implicito) e le correlazioni inter-costruttive sotto la diagonale. Tutti i valori diagonali superano le corrispondenti correlazioni fuori diagonale, confermando una validità discriminante adeguata tra i quattro costrutti.

La Tabella 5 mostra la validità discriminante, che garantisce che ogni costrutto sia empiricamente distinto dagli altri, è stata valutata utilizzando il criterio di Fornell-Larcker. Come presentato nella Tabella 5, i valori diagonali (che rappresentano le radici quadrate della Varianza Media Estratta per ogni costrutto) sono 0,754 (Uso IA), 0,786 (Autoefficacia dell'Atleta), 0,777 (Benessere Psicologico) e 0,801 (Percezione delle Prestazioni Sportive). Un confronto approfondito rivela che ogni valore diagonale è sostanzialmente maggiore di tutte le corrispondenti correlazioni inter-costrutte fuori diagonale sia nella sua riga che nella sua colonna. Ad esempio, la radice quadrata dell'AVE per il Benessere Psicologico (0,777) supera la sua massima correlazione con la Percezione delle Prestazioni Sportive (0,673), e allo stesso modo, la radice quadrata dell'AVE per la Percezione della Prestazione Sportiva (0,801) supera la sua correlazione con il Benessere Psicologico (0,673). Questo schema si mantiene costantemente in tutti e quattro i costrutti, con correlazioni fuori diagonale che variano da 0,442 a 0,673.

Figura 4: Validità discriminante (criterio di Fornell-Larcker). I valori diagonali rappresentano la radice quadrata della Varianza Media Estratta (√AVE) per ogni costrutto; valori fuori diagonale indicano correlazioni tra diversi costrutti. Secondo il criterio di Fornell-Larcker, la validità discriminante si stabilisce quando ogni valore diagonale supera tutti i valori fuori diagonale nella sua corrispondente riga e colonna. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 4 illustra la validità discriminante tra i concetti di uso dell'intelligenza artificiale, autoefficacia degli atleti, benessere psicologico e percezione delle prestazioni sportive utilizzando il criterio di Fornell-Larcker. Le celle diagonali mostrano la radice quadrata dell'AVE per ogni costrutto, mentre le celle fuori diagonale mostrano correlazioni tra costrutti.

Valutazione del modello strutturale
La valutazione del modello strutturale è stata fondamentale in questo studio perché, dopo aver stabilito l'affidabilità e la validità del modello di misurazione, il passo successivo è stato valutare se le relazioni teoriche proposte tra l'uso dell'intelligenza artificiale, l'autoefficacia degli atleti, il benessere psicologico e la percezione delle prestazioni sportive fossero supportate empiricamente. Nel PLS-SEM, la valutazione del modello strutturale determina l'ampiezza, la direzione e la significanza statistica dei percorsi ipotizzati e fornisce quindi prove dirette per il test delle ipotesi. Per il presente studio, questo passaggio è stato particolarmente importante perché il modello non solo ha esaminato gli effetti diretti dell'uso dell'intelligenza artificiale e dell'autoefficacia degli atleti sul benessere psicologico, ma ha anche valutato il ruolo mediatore del benessere psicologico nell'spiegare come queste variabili antecedenti si traducano nella percezione delle prestazioni sportive tra gli atleti cinesi.

Sia il benessere psicologico che l'autoefficacia dell'atleta sono stati modellati come costrutti di ordine superiore riflessivo-riflettenti in PLS-SEM, coerenti con l'assunzione teorica che ogni dimensione di ordine inferiore rappresenti una manifestazione distinta di una variabile latente sottostante comune. Per il benessere psicologico, le sei dimensioni (padronanza ambientale, crescita personale, scopo nella vita, accettazione di sé, autonomia e relazioni positive) sono aspetti concettualmente intercambiabili del benessere eudaimónico, condividendo un nucleo comune; Per l'autoefficacia, le quattro dimensioni (disciplina sportiva, pensiero psicologico, professionale ed efficacia della personalità) riflettono collettivamente una convinzione generale nella capacità atletica. Di conseguenza, le relazioni tra i costrutti di ordine superiore e le loro dimensioni sono opportunamente specificate come riflettenti, e le dimensioni stesse non sono ipotizzate come predittori separati nel modello. I carichi di secondo ordine di ciascuna dimensione sul rispettivo costrutto di ordine superiore erano tutti superiori a 0,70 e statisticamente significativi (bootstrapping con 5.000 sottocampioni), confermando che le dimensioni convergono fortemente sulle variabili latenti previste. Una tabella che presenta questi carichi di secondo ordine è stata fornita nei materiali supplementari per completa trasparenza.

Ipotesi	Percorso strutturale	Coefficiente di percorso (Beta)	Errore standard	valore t	p-valore	Intervallo di confidenza al 95%	Decisione
H1	Uso dell'intelligenza artificiale → benessere psicologico	0.243	0.051	4.765	0	[0.144, 0.342]	Supportati
H2	Autoefficacia → Benessere Psicologico degli Atleti	0.496	0.054	9.185	0	[0.391, 0.602]	Supportati
H3	Benessere psicologico → percezione delle prestazioni sportive	0.551	0.052	10.596	0	[0.449, 0.653]	Supportati
H4	Uso dell'intelligenza artificiale → benessere psicologico → percezione delle prestazioni sportive	0.134	0.032	4.188	0	[0.073, 0.198]	Supportati
H5	Autoefficacia → benessere psicologico → percezione della prestazione sportiva degli atleti	0.273	0.041	6.659	0	[0.194, 0.355]	Supportati

Tabella 6: Valutazione del modello strutturale e test di ipotesi. Valutazione del modello strutturale e risultati dei test di ipotesi, inclusi effetti diretti (H1–H3) e effetti indiretti tramite il benessere psicologico (H4–H5). Tutti i percorsi sono statisticamente significativi (p < 0,001), con coefficienti positivi e intervalli di confidenza che non includono zero, a supporto di tutte le ipotesi.

La Tabella 6 presenta risultati dettagliati dei modelli strutturali che forniscono un forte supporto al quadro teorico proposto. Innanzitutto, il percorso dall'uso dell'intelligenza artificiale al benessere psicologico è stato positivo e statisticamente significativo (β = 0,243, t = 4,765, p < 0,001), supportando H1. Questo risultato ha indicato che un maggiore utilizzo di tecnologie supportate dall'IA nello sport era associato a livelli più elevati di benessere psicologico tra gli atleti. Dal punto di vista sostanziale, il risultato suggeriva che gli atleti più coinvolti con sistemi sportivi intelligenti, come strumenti di feedback digitale, tecnologie di monitoraggio e analisi delle prestazioni, tendevano a riportare un funzionamento psicologico più positivo. Sebbene l'effetto fosse moderato piuttosto che dominante, il risultato rimaneva teoricamente significativo, poiché suggeriva che l'IA contribuisse al benessere degli atleti oltre il suo ruolo puramente tecnico di prestazione.

In secondo luogo, l'autoefficacia degli atleti esercitava un effetto positivo più forte sul benessere psicologico (β = 0,496, t = 9,185, p < 0,001), supportando così l'H2. Tra gli antecedenti diretti del benessere psicologico, l'autoefficacia è emersa come il predittore più influente. Questo risultato è stato particolarmente rilevante perché ha indicato che la fiducia degli atleti nella propria disciplina, nella preparazione mentale, nel pensiero professionale e nelle capacità personali sono risorse psicologiche centrali alla base del loro benessere più ampio. In termini sostanziali, gli atleti che credevano più fortemente nelle proprie capacità sembravano essere più in grado di mantenere l'equilibrio emotivo, lo scopo, l'accettazione di sé e un funzionamento positivo. Pertanto, sebbene l'uso dell'IA fosse importante, i risultati suggerivano che la capacità psicologica interna rimanesse il motore più potente del benessere psicologico nel modello attuale.

In terzo luogo, i risultati hanno mostrato che il benessere psicologico ha avuto un effetto forte e positivo sulla percezione delle prestazioni sportive (β = 0,551, t = 10,596, p < 0,001), fornendo supporto per H3. Questo percorso è stato il rapporto diretto più forte nel modello strutturale e ha indicato che gli atleti con un benessere psicologico superiore erano sostanzialmente più propensi a riportare una percezione delle prestazioni migliori. Da un punto di vista teorico, questo risultato ha rafforzato l'idea che la performance degli atleti non debba essere compresa solo in termini di fattori tecnici o fisici. Piuttosto, il senso di scopo, la padronanza, l'accettazione di sé, la crescita e la stabilità relazionale degli atleti sembravano giocare un ruolo decisivo nel plasmare l'efficacia con cui percepivano le loro prestazioni. Questa scoperta ha posizionato il benessere psicologico non come una variabile di fondo periferica, ma come un meccanismo esplicativo centrale nel modello.

I risultati della mediazione hanno ulteriormente rafforzato il valore esplicativo del quadro. L'effetto indiretto dell'uso dell'intelligenza artificiale sulla percezione delle prestazioni sportive attraverso il benessere psicologico è stato positivo e statisticamente significativo (β = 0,134, t = 4,188, p < 0,001), supportando così H4. Questo risultato suggeriva che l'effetto dell'uso dell'IA sulle percezioni delle prestazioni si trasmetteva, almeno in parte, attraverso miglioramenti nel benessere psicologico degli atleti. In altre parole, l'IA non ha influenzato le prestazioni semplicemente migliorando l'efficienza dell'addestramento o il supporto alle decisioni; Piuttosto, sembrava importante perché contribuiva anche a uno stato psicologico più positivo, che si traduceva poi in un miglioramento della percezione della performance. L'importanza di questo percorso di mediazione sottolinea la necessità di considerare i meccanismi psicologici quando si valuta l'adozione della tecnologia in contesti sportivi.

Analogamente, l'effetto indiretto dell'autoefficacia degli atleti sulla percezione della prestazione sportiva attraverso il benessere psicologico è stato positivo e statisticamente significativo (β = 0,273, t = 6,659, p < 0,001), supportando H5. In particolare, questo effetto mediato è stato sostanzialmente più forte rispetto all'effetto indiretto corrispondente dell'uso dell'IA, indicando che l'autoefficacia influenzava la percezione delle prestazioni sportive in modo più potente attraverso il benessere psicologico rispetto all'uso dell'IA. Questo risultato suggeriva che la fiducia in sé degli atleti fosse un precedente particolarmente importante della prestazione perché favoriva le condizioni psicologiche in cui gli atleti avevano maggiori probabilità di prosperare. In ambienti sportivi ad alte prestazioni, gli atleti con forti convinzioni sull'efficacia erano più propensi a tradurre tali convinzioni in un funzionamento psicologico positivo e, in ultima analisi, in giudizi di performance più favorevoli.

Nel complesso, il modello strutturale ha dimostrato un potere esplicativo da moderato a sostanziale. Il^{valore R} 2 di 0,468 per il benessere psicologico ha indicato che l'uso dell'intelligenza artificiale e l'autoefficacia degli atleti spiegavano insieme il 46,8% della varianza nel mediatore, il che può essere considerato un livello significativo di accuratezza esplicativa nella ricerca comportamentale. Allo stesso modo,^{il valore R} 2 di 0,547 per la percezione della prestazione sportiva ha mostrato che il modello spiegava il 54,7% della varianza nella variabile dipendente, indicando un livello di spiegazione predittiva relativamente forte. Inoltre, i valori Q² per il benessere psicologico (0,281) e la performance sportiva percepita (0,336) erano entrambi superiori a zero, suggerendo che il modello avesse una rilevanza predittiva soddisfacente. Collettivamente, questi risultati indicavano che il quadro proposto non era solo statisticamente significativo, ma anche sostanzialmente informativo.

È importante chiarire che il modello attuale specificava il benessere psicologico come un mediatore completo nelle relazioni tra i due antecedenti e la percezione della prestazione sportiva; Nel modello strutturale non sono stati inclusi percorsi diretti dall'uso dell'intelligenza artificiale o dall'autoefficacia degli atleti alla percezione della prestazione sportiva. Il modello specificava solo percorsi indiretti; Pertanto, i risultati supportano associazioni indirette significative ma non permettono una distinzione formale tra mediazione completa e parziale. Questa scelta di modellazione era teoricamente guidata, poiché la proposta centrale dello studio sosteneva che l'IA e l'autoefficacia migliorano le prestazioni non come input diretti, ma rafforzando prima le condizioni psicologiche che sostengono il funzionamento efficace. Tuttavia, questa specifica non esclude empiricamente la possibilità di una mediazione parziale, che potrebbe essere valutata solo in un modello che stima anche i percorsi diretti dall'uso dell'IA e dall'autoefficacia alla percezione della prestazione sportiva. La ricerca futura dovrebbe esaminare modelli che includano questi percorsi diretti, permettendo un confronto formale tra mediazione completa e parziale e rivelando se qualsiasi effetto diretto residuo della tecnologia o dell'autofiducia sulle percezioni della performance rimanga al di fuori del percorso indiretto attraverso il benessere.

Nel complesso, i risultati hanno fornito un supporto empirico coerente all'argomento secondo cui sia le risorse tecnologiche che quelle psicologiche hanno influenzato i risultati degli atleti nel contesto sportivo cinese. Più specificamente, i risultati suggeriscono che l'autoefficacia degli atleti è l'antecedente più forte del benessere psicologico, mentre il benessere psicologico funge da meccanismo centrale che traduce sia l'uso dell'IA sia l'autoefficacia nella percezione della performance sportiva. Da un punto di vista interpretativo in stile SSCI, il modello dei risultati indicava un modello in cui il benessere psicologico funzionava come il percorso esplicativo fondamentale che collegava la tecnologia sportiva esterna e la capacità personale interna alla percezione delle prestazioni degli atleti. Di conseguenza, lo studio ha fornito prove che le implicazioni performazionali dell'IA nello sport non erano puramente tecnologiche, ma erano radicate in modo significativo nelle esperienze psicologiche e nel benessere degli atleti.

Valutazione del bias con metodo comune
Poiché tutte le variabili dello studio sono state misurate utilizzando un singolo questionario di autovalutazione in un unico momento temporale, il bias comune di metodo (CMB) rappresenta una potenziale minaccia per la validità dei risultati. La CMB può gonfiare o sgonfiare artificialmente le relazioni tra costrutti latenti quando la varianza sistematica è condivisa a causa del metodo di misura piuttosto che dei costrutti sostanziali. Affrontare la CMB è quindi essenziale nella modellazione strutturale basata su indagini per garantire che le associazioni osservate non siano semplicemente reperti della procedura di raccolta dati. In questo studio, la CMB è stata valutata utilizzando l'approccio completo del fattore di inflazione della varianza collinearità (VIF), che valuta il grado in cui ogni variabile latente viene prevista simultaneamente da tutte le altre variabili latenti. Questo metodo è particolarmente adatto per PLS-SEM e fornisce una diagnostica più completa rispetto ai tradizionali test a fattore singolo quando i modelli coinvolgono più costrutti di ordine superiore.

Costrutto latente	VIF di Collinearità Completa
Uso dell'intelligenza artificiale	1.473
Autoefficacia degli atleti	2.108
Benessere psicologico	2.342
Prestazioni sportive percepite	2.167

Tabella 7: Valutazione completa della collinearità VIF per il bias comune del metodo. Questa tabella mostra i fattori di inflazione della varianza di collinearità (VIF) completi per i costrutti latenti. Tutti i valori cadono sotto la soglia conservativa di 3,3, indicando che il bias comune del metodo difficilmente distorcerà le stime del modello strutturale.

La Tabella 7 mostra che tutti i valori del VIF di collinearità completa erano ben al di sotto della soglia conservativa di 3,3, variando da 1,473 a 2,342. Questi risultati suggeriscono che i costrutti latenti mostrano sufficiente validità discriminante e che la varianza condivisa attribuibile al metodo di misurazione non raggiunge livelli problematici. Di conseguenza, il bias comune del metodo non sembra essere una preoccupazione seria che possa distorcere le stime del percorso strutturale riportate in questo studio. Sebbene questa diagnostica supporti la credibilità dei risultati, future ricerche dovrebbero considerare rimedi procedurali, come la separazione temporale tra misure predittive e criterio o l'inclusione di una variabile marker, per mitigare ulteriormente il potenziale CMB.

DISPONIBILITÀ DEI DATI:
I dati grezzi utilizzati nell'analisi di questo studio sono forniti come Tabella Supplementare 1.

Tabella supplementare 1: Dati grezzi. Tutti i dati grezzi utilizzati per questo studio sono inclusi in questa tabella. Clicca qui per scaricare questo file.

Discussione

Prima di interpretare i risultati sostanziali, è necessario chiarire alcuni confini analitici e metodologici del presente studio. Questa ricerca utilizza un progetto di rilievo trasversale e analizza i dati tramite modellazione strutturale basata sulla varianza (PLS-SEM). Di conseguenza, gli autori hanno suddiviso i dati in robustezza del modello e rilevanza predittiva, valutate tramite bootstrapping (5.000 ricampioni) e la statistica Stone-Geisser^{Q 2} tramite la procedura PLSpredict, che funge da salvaguardie metodologiche equivalenti per la stabilità e la generalizzazione all'interno del quadro SEM.

Per quanto riguarda il bias comune nel metodo (CMB), gli autori riconoscono che le sole VIF a piena collinearità, pur essendo utili, non escludono completamente la CMB nei dati auto-reportati e a fonte unica. Per fornire una giustificazione più solida, questo studio ha adottato sia misure procedurali che statistiche. Proceduralmente, gli autori hanno garantito l'anonimato delle risposte, utilizzato ancoraggi chiari e distinti per minimizzare i bias di coerenza e impiegato la separazione prossimale raggruppando variabili predittive e criterio in diverse sezioni del questionario con istruzioni differenti. Statisticamente, gli autori hanno condotto il test a fattore singolo di Harman su tutti gli elementi di misurazione; L'analisi fattoriale non rotata ha rivelato che un singolo fattore rappresentava meno del 50% della varianza totale (nello specifico, il 34,6%), indicando che nessun singolo fattore dominava la struttura della varianza. Inoltre, la più alta correlazione inter-costrutti nella nostra matrice di validità discriminante (0,673 tra Benessere Psicologico e Percezione nelle Prestazioni Sportive) rimane ben al di sotto della soglia conservativa di 0,90, suggerendo che il CMB difficilmente abbia distorto materialmente i risultati. Tuttavia, lo studio attuale riconosce questa come una limitazione residua e la discute di conseguenza.

Un risultato centrale di questo studio è l'associazione indiretta significativa tra l'uso dell'IA e l'autoefficacia degli atleti, nonché tra il benessere psicologico e la percezione delle prestazioni sportive. Tuttavia, gli autori devono riconoscere esplicitamente un vincolo metodologico critico: il modello strutturale non includeva percorsi diretti dall'uso dell'IA e dall'autoefficacia degli atleti alla percezione della prestazione sportiva. Il modello è stato specificato per testare esclusivamente le vie indirette (mediazionali), piuttosto che un modello di mediazione completo che includa sia effetti diretti che indiretti. Di conseguenza, il presente studio non può determinare se la mediazione sia completa o parziale. Questo studio può solo concludere che esiste un'associazione indiretta statisticamente significativa. Rimane del tutto possibile che l'uso e l'autoefficacia dell'IA abbiano effetti diretti sulla percezione delle prestazioni che questo modello non riesce a cogliere. Di conseguenza, gli autori invitano i lettori a interpretare con cautela le affermazioni di mediazione: i risultati dimostrano che il benessere psicologico funge da un meccanismo di trasmissione plausibile, ma non escludono l'esistenza di altre vie dirette o alternative. Le ricerche future dovrebbero specificare un modello che includa percorsi diretti per testare formalmente la presenza, l'entità e il significato degli effetti diretti rispetto agli effetti indiretti, chiarendo così se si verifichi una mediazione completa, parziale o assente.

La scala di utilizzo dell'IA è stata adattata da uno strumento di IA generativa originariamente progettato per studenti universitari e successivamente ampliata per includere tecnologie diverse, tra cui dispositivi indossabili, sistemi di tracciamento del movimento, analisi predittiva e piattaforme di raccomandazione per la formazione. Queste tecnologie sono concettualmente eterogenee nelle loro funzioni specifiche e nelle loro architetture tecniche. Tuttavia, questo studio offre una giustificazione in due parti per trattarli come un unico costrutto latente in questo studio. Concettualmente, tutti questi strumenti condividono un ruolo funzionale comune all'interno dell'ecosistema dell'atleta: fungono da input tecnologici esogeni basati sui dati che forniscono feedback oggettivi, in tempo reale o predittivi agli atleti, arricchendo così il loro ambiente informativo durante l'allenamento e la competizione. Indipendentemente dal fatto che la tecnologia sia un biosensore indossabile o un cruscotto di analisi video, gli atleti la percepiscono come un sistema esterno che fornisce informazioni sulle prestazioni oltre l'osservazione umana. Questa equivalenza funzionale condivisa giustifica la loro aggregazione a un livello di astrazione di ordine superiore, misurando l'intensità percepita e la frequenza dell'interazione con sistemi sportivi intelligenti piuttosto che il sottotipo tecnologico specifico. Empiricamente, la valutazione del modello di misura supportò questo trattamento: tutti e otto gli elementi caricati in modo significativo su un singolo fattore, con carichi superiori a 0,70, e l'affidabilità composita (CR) e la media di varianza estratta (AVE) rispettavano le soglie accettate, indicando unidimensionalità. Tuttavia, questo studio riconosce pienamente l'eterogeneità concettuale come una limitazione significativa. Si raccomanda che future ricerche suddividano l'uso dell'IA in sottotipi specifici (ad esempio, monitoraggio basato su dispositivi indossabili vs. analisi tattica basata su video) per esaminarne i contributi unici.

Con le eccitazioni sopra riportate, i risultati offrono approfondimenti teorici e pratici significativi. Teoricamente, i risultati estendono il discorso sull'IA nello sport dimostrando che la sua rilevanza non si limita all'ottimizzazione oggettiva delle prestazioni, ma si estende al funzionamento psicologico degli atleti. Questa osservazione supporta recensioni recenti che sostengono che l'intelligenza artificiale abbia un ruolo crescente non solo nel miglioramento delle prestazioni, ma anche nelle applicazioni più ampie dello sport e delle scienze della salute, influenzando lo sviluppo e il benessere degli^{atleti 46}. Posizionando il benessere psicologico come meccanismo mediativo, il modello contribuisce a un quadro integrativo in cui risorse tecnologiche esterne (IA) e risorse psicologiche interne (autoefficacia) influenzano congiuntamente le percezioni della performance attraverso un percorso condiviso. Questa interpretazione è coerente con precedenti evidenze di revisioni sistematiche che evidenziano il benessere psicologico, la resilienza e il supporto sociale come risorse fondamentali che supportano l'adattamento, il funzionamento e i risultati positivi legati allo sport degli atleti in diverse popolazioni^{sportive 47}. In particolare, l'autoefficacia degli atleti ha mostrato un'associazione indiretta più forte rispetto all'uso dell'IA, sottolineando la priorità dell'agenzia interna rispetto agli strumenti esterni, un'intuizione comparativa raramente resa esplicita nella letteratura esistente. Questa scoperta è coerente con le evidenze recenti che mostrano che l'autoefficacia influenza indirettamente le prestazioni atletiche attraverso meccanismi psicologici come gli stati emotivi e il funzionamento psicologico^{adattativo 48}. Il risultato si allinea anche a ricerche psicologiche più ampie che dimostrano che l'autoefficacia contribuisce a risultati positivi attraverso la resilienza e altre risorse psicologiche che migliorano il benessere e la soddisfazione di vita⁴⁹. Da un punto di vista pratico, il modello delle associazioni suggerisce che un approccio integrato e centrato sull'atleta sia probabilmente il più vantaggioso. Gli allenatori e le organizzazioni sportive in Cina dovrebbero considerare i sistemi di IA come strumenti aggiuntivi, non come sostituti, per l'allenamento centrato sull'uomo e il supporto psicologico. Questa raccomandazione è coerente con i lavori precedenti che sottolineano l'importanza di sistemi di monitoraggio degli atleti che integrino i dati sulle prestazioni con un'interpretazione efficace e processi^{decisionali 50}. In particolare, i dati sulle prestazioni generati dall'IA dovrebbero essere inseriti in sessioni regolari di debriefing che combinano metriche oggettive con allenamento sulle capacità mentali (ad esempio, definizione degli obiettivi, dialogo interiore, sviluppo della resilienza). Questo doppio approccio può aiutare a sostenere il senso di autonomia e competenza degli atleti, favorendo così il benessere psicologico insieme allo sviluppo tecnico.

Tuttavia, data la natura trasversale e associativa dei dati, queste raccomandazioni rimangono provvisorie e giustificano la convalida tramite disegni longitudinali o sperimentali. In conclusione, questo studio ha rilevato che l'uso dell'IA e l'autoefficacia degli atleti sono stati associati positivamente e indirettamente alla percezione della prestazione sportiva attraverso il benessere psicologico tra gli atleti cinesi. L'autoefficacia degli atleti ha dimostrato una relazione indiretta più forte, evidenziando il valore duraturo delle risorse psicologiche interne. Lo studio offre una prospettiva integrata sullo sviluppo degli atleti, suggerendo che l'innovazione tecnologica e la capacità psicologica siano interconnesse piuttosto che fattori indipendenti delle percezioni delle prestazioni. In definitiva, un'attenzione costante all'autoefficacia e al benessere degli atleti, insieme all'adozione ponderata di sistemi supportati dall'IA, può rappresentare un percorso equilibrato ed efficace verso risultati sportivi migliorati. Le ricerche future dovrebbero incorporare effetti diretti, disaggregare i sottotipi di IA e impiegare disegni longitudinali per far avanzare questa linea emergente di indagine.

Nonostante i suoi contributi, questo studio presenta diverse limitazioni che richiedono un'attenta analisi. Innanzitutto, il disegno trasversale esclude un'inferenza causale definitiva. Poiché tutte le variabili sono state misurate in un unico momento, non è possibile escludere la causalità inversa: gli atleti che già percepiscono favorevolmente le loro prestazioni e possiedono un benessere psicologico superiore possono essere più inclini a cercare e interagire con strumenti supportati dall'IA, piuttosto che l'uso dell'IA che guida il benessere e la percezione delle prestazioni. Allo stesso modo, gli atleti con un benessere psicologico più forte possono coltivare una maggiore autoefficacia nel tempo, portando a relazioni reciproche piuttosto che unidirezionali. I percorsi significativi qui riportati dovrebbero quindi essere interpretati come coerenti con le direzioni ipotetiche, ma non come prova di causalità. Le ricerche future dovrebbero utilizzare disegni longitudinali con analisi cross-lagged per districare queste dinamiche temporali, oppure approcci sperimentali e quasi-sperimentali che manipolano l'esposizione all'IA per valutarne direttamente i suoi effetti sul benessere e sugli esiti di prestazione. In secondo luogo, lo studio si è basato esclusivamente su dati auto-riportati raccolti tramite un questionario strutturato, che potrebbe introdurre bias verso i metodi comuni e bias di desiderabilità sociale. Sebbene rimedi procedurali e controlli statistici possano mitigare queste preoccupazioni, non possono eliminarle del tutto. Studi futuri potrebbero rafforzare la validità triangolando le misure di autovalutazione con indicatori di performance oggettivi (ad esempio, risultati delle competizioni, metriche fisiologiche), valutazioni di allenatori o pari e metodi qualitativi come interviste semi-strutturate per catturare le esperienze vissute degli atleti con l'integrazione dell'IA. In terzo luogo, il campione comprendeva 385 atleti in Cina, limitando la generalizzazione dei risultati ad altri contesti culturali o sportivi. Le ricerche future dovrebbero replicare il modello attraverso contesti culturali diversi, a diversi livelli competitivi e all'interno di specifiche categorie sportive per valutare le condizioni al contorno e la trasportabilità del quadro.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Artificial Intelligence Use Scale (adattato per lo sport)	Adattato da Abbas et al. [42]	[42]	N/A
Athlete Self-Efficacy Scale (multidimensionale)	Adattato da Koçak [45]	[45]	N/A
IBM SPSS Statistics (Versione 28)	IBM Corp., Armonk, NY, USA	https://www.ibm.com/products/spss-statistics	SCR_002865
Perceived Sport Performance Scale	Adattato da Hill et al. [44]	[44]	N/A
Questionario di test pilota	In-house	In-house (strumento)	N/A
Psychological Well-Being Scale for Children (PWB-c) – adattato per atleti adulti	Adattato da Opree et al. [43]	[43]	N/A
SmartPLS (Versione 4.2)	SmartPLS GmbH, Oststeinbek, Germania	https://www.smartpls.com/	SCR_022040
Procedura di traduzione e retrotraduzione (esperti bilingui)	In-house (ricercatori di psicologia dello sport)	In-house (procedura)	N/A