Free Access
Issue
Mov Sport Sci/Sci Mot
Number 105, 2019
Emotions et régulation émotionnelle en contexte sportif interpersonnel ou intergroupe
Page(s) 79 - 88
DOI https://doi.org/10.1051/sm/2019009
Published online 03 May 2019

© ACAPS, 2020

Omniprésentes dans le quotidien de tout individu, les émotions font que la vie vaut la peine d’être vécue dans la mesure où elles colorent et influencent toutes nos perceptions et ce, sans que nous nous en rendions vraiment compte (Martinent, Ledos, & Nicolas, 2014). Ainsi, de nombreuses activités humaines n’existent que parce qu’elles sont vécues émotionnellement par les individus. L’étude des émotions s’est ainsi naturellement développée dans des domaines de recherche variés, notamment en psychologie du sport (Hanin, 2007). En effet, le contexte sportif est un lieu propice à l’étude des émotions dans la mesure où elles semblent être constitutives des activités sportives aussi bien pour les spectateurs que pour les athlètes (Jeu, 1987). Cependant, les émotions représentent un construit complexe et difficile à conceptualiser pour les chercheurs (Fernando, Kashima, & Laham, 2014). Par conséquent, les méthodes utilisées pour analyser les subtilités des processus émotionnels prennent une importance considérable dans les recherches actuelles. Dès lors, il s’agira tout d’abord de présenter des approches méthodologiques longitudinales récentes puis de présenter en quoi ces méthodes pourraient répondre aux problématiques actuelles concernant les émotions en contexte sportif. Dans un second temps, nous présenterons l’application des différentes méthodes dans le contexte des émotions sportives en se basant sur de précédentes études et en exposant des perspectives de recherches.

1 Les analyses longitudinales

Les approches méthodologiques longitudinales identifient les relations entre des variables au cours du temps sur un même échantillon de sujets (Rindfleisch, Malter, Ganesan, & Moorman, 2008). Ces analyses permettent d’explorer un processus, c’est-à-dire de mettre en avant la dynamique qui explique les variations des variables étudiées dans le temps. Concrètement, les méthodes longitudinales se basent sur une collecte de données sur un même échantillon lors de plusieurs temps de mesures. En fonction des aspects théoriques sous-jacents et des méthodologies envisagées, un protocole longitudinal sera caractérisé par son nombre de mesures répétées et ses temps d’intervalles entre chaque collecte. Il est toutefois conseillé d’éviter certaines analyses longitudinales avec uniquement deux temps de mesures afin d’éviter certains biais méthodologiques (Marsh & O’Mara, 2008). Le fait d’ajouter a minima un troisième point de mesure permet une analyse plus fiable de l’évolution des variables et permet de prendre en compte les caractéristiques curvilinéaires des dynamiques. De plus, bien que les collectes soient traditionnellement basées sur des intervalles réguliers, ces temps entre chaque mesure doivent également être adaptés aux dimensions théoriques de l’étude et particulièrement à la nature des variables étudiées et à leur variabilité. À titre d’exemple, l’analyse de traits psychologiques stables demandera un suivi moins fréquent que l’étude d’un état qui pourra varier d’une situation à une autre. D’une manière générale, deux familles d’analyses statistiques peuvent être conceptualisées en fonction des éléments sur lesquels elles se centrent : les analyses centrées sur les personnes et les analyses centrées sur les variables (Laursen & Hoff, 2006). Les approches centrées sur les variables correspondent aux analyses qui traitent des relations entre les variables (e.g., régressions multiples, modélisations par équation structurelles). Ces approches sont les plus couramment utilisées dans la littérature. En parallèle, les approches méthodologiques centrées sur les personnes (e.g., analyses de classes latentes, analyses de clusters) ont pour but d’identifier des sous-groupes d’individus au sein d’un échantillon en fonction d’un pattern de réponses (Muthén & Muthén, 2000). Ce type de méthode a notamment de l’intérêt dans le cas d’une représentation hétérogène des sujets. Parmi ces méthodes, l’analyse par clusters (dont la méthode des k-moyennes) a particulièrement été utilisée dans la littérature scientifique. Ce type d’approche consiste à répartir les individus d’un échantillon au sein de sous-groupes en tâchant de proposer une faible variance intra-classe et de maximiser la variance inter-classe. Cependant, la littérature actuelle pointe les limites des analyses par clusters et suggère de préférer les approches par classes latentes qui apparaissent comme plus précises et rigoureuses (Nylund-Gibson, Grimm, Quirk, & Furlong, 2014). En effet, contrairement aux clusters, les classes latentes permettent de classer les individus en sous-groupes en fonction des probabilités d’appartenances aux groupes. De plus, les analyses de classes latentes permettent l’exploration de variables prédictives et de variables distales de résultats. Enfin, les clusters fournissent peu d’aide rigoureuse pour déterminer le nombre de classes tandis que les classes latentes apportent des indices statistiques tels que les critères d’information d’Akaike ou bayésiens afin de faciliter ce choix (Magidson & Vermunt, 2002).

Dans le cadre d’études longitudinales, les études ont traditionnellement utilisé des méthodes statistiques classiques telles que les ANOVA à mesure répétées ou les régressions linéaires. Ces analyses centrées sur les variables permettent de comparer des variables lors de différents temps pour un même échantillon. Pour autant, les analyses longitudinales peuvent également apporter une plus-value en permettant de modéliser la dynamique d’une variable à travers le temps (Diggle, Liand, & Zeger, 1994). C’est notamment ce que certaines méthodes plus récentes permettent de modéliser par des courbes de croissances. Les courbes de croissances consistent à identifier un intercept (ordonné à l’origine), une pente linéaire et éventuellement une pente quadratique qui caractérisent l’évolution d’une variable mesurée lors de plusieurs temps de mesure. Les courbes de croissances sont notamment produites par les analyses multiniveaux. Les analyses multiniveaux sont utilisées lorsque le chercheur est confronté à des données imbriquées, c’est-à-dire des données qui sont structurées de manière hiérarchique (e.g., des athlètes qui appartiennent à différents centres d’entraînement et/ou des athlètes qui ont renseigné plusieurs temps de passation). Alors que les modèles de régression multiple se basent sur l’hypothèse que toutes les observations sont indépendantes, ce n’est pas le cas pour des données imbriquées. Ainsi, en prenant en compte la structure hiérarchique des données, les modèles multiniveaux fournissent des résultats non biaisés du fait des imbrications inhérentes à la structure des données (Singer & Willett, 2003). Les analyses multiniveaux mettent ainsi à l’abri les chercheurs des biais méthodologiques comme l’erreur écologique ou l’erreur atomiste (Golaz & Bringé, 2009). En effet, les analyses multiniveaux évitent une interprétation au niveau individuel des résultats d’une modélisation effectuée à un niveau agrégée (erreur écologique) et préviennent le risque d’ignorer le rôle du contexte dans lequel s’insère le sujet (erreur atomiste). Les modèles multiniveaux sont particulièrement indiqués dans le cas de protocoles longitudinaux dans le sens où ils permettent d’évaluer les différences interindividuelles dans les changements intrapersonnels à travers le temps. En d’autres termes, cela permet de modéliser l’évolution temporelle d’une variable à travers le temps en permettant, au travers des paramètres aléatoires de ne pas forcer l’intercept, la pente linéaire et/ou la pente quadratique à être identique chez tous les participants (pour plus de précisions sur la démarche, voir Wright & London, 2009). Dans le cas de protocoles longitudinaux, un des avantages méthodologiques des modèles multiniveaux réside dans le fait de supporter la présence de valeurs manquantes dans le jeu de données. Cette flexibilité est particulièrement appréciable pour le chercheur dans la mesure où le risque d’avoir des valeurs manquantes est beaucoup plus élevé pour les protocoles longitudinaux en comparaison des protocoles transversaux (se basant sur un seul temps de passation). Un autre avantage important des analyses multiniveaux se réfère à leur capacité à mettre en évidence les rôles respectifs du contexte interpersonnel et de facteurs individuels dans les expériences émotionnelles vécues par les participants. Par l’utilisation d’analyses multiniveaux, il peut ainsi être particulièrement pertinent, si les données recueillies rendent comptes de différents contextes sociaux (par exemple des athlètes issus de différents centre d’entraînement, ou des athlètes appartenant à différentes équipes de sports collectifs), de mettre en évidence le rôle du contexte social (équipe, centre d’entraînement intensif) dans l’émergence et la dynamique des expériences émotionnelles ressenties par les athlètes. Si les analyses longitudinales demandent des échantillons relativement importants pour pratiquer l’analyse des données, les approches multiniveaux sont particulièrement exigeantes sur cet aspect. En effet, la taille de l’échantillon pour des approches longitudinales doit prendre en compte les risques de diminution du groupe au fil des mesures et dépend du type d’analyse envisagé (Diggle et al., 1994). Pour le cas des analyses multiniveaux, la littérature suggère un minimum de dix participants par groupe dans chaque niveau (Hox, 2002). Pour autant, il demeure difficile d’établir un nombre précis de participants à recommander pour ce type d’approche.Les analyses de classe latente de courbes de croissances (ACLCC) constituent un modèle statistique également fondé sur les courbes de croissances. Il postule que des sous-groupes d’individus présentant des trajectoires différentes d’une variable psychologique donnée à travers le temps peuvent être identifiés à l’intérieur d’un échantillon (Louvet, Gaudreau, Menaut, Genty, & Deneuve, 2009). En d’autres termes, en se basant sur les scores d’un construit mesuré de manière répétée à travers le temps, différentes trajectoires représentant des patterns de changement et de stabilité distincts émergent des ACLCC (Louvet et al., 2009). Dans la pratique, il s’agit dans un premier temps de tester successivement plusieurs modèles d’ACLCC dans lesquels un nombre croissant de trajectoires sont testés pour une variable (pour plus de précisions sur la démarche, voir ; Jung & Wickrama, 2008). Un ensemble d’indicateurs statistiques permet alors de faire le choix du nombre de sous-échantillons qui semble le plus adapté aux données recueillies sur les individus. Le test de Bootstrap du maximum de vraisemblance permet de tester si un modèle à k trajectoires (où k correspond au nombre de sous-groupes, c’est-à-dire de trajectoires) explique significativement plus d’information qu’un modèle à k-1 trajectoires. De plus, d’autres indicateurs relatifs peuvent être utilisés pour identifier le nombre de trajectoires optimales au regard des données recueillies comme l’Akaike Information Criterion (AIC), le Bayesian Information Criterion (BIC) et l’Adjusted BIC (ABIC). Enfin, bien qu’il n’existe pas de norme précisément établie sur le nombre de participants nécessaires pour procéder à des analyses de classes latentes, il est suggéré un minimum de 5 % de la population totale dans chaque sous-groupe (Collins & Wugalter, 1992). Par la suite, une fois le nombre de trajectoires établi, il est également possible d’ajouter des prédicteurs à la classe latente de courbes de croissance afin d’observer l’influence de variables externes sur l’appartenance aux trajectoires. En effet, les analyses longitudinales permettent de mettre en avant des relations temporelles entre les variables par l’ajout de covariants dans les modèles statistiques. Cela a notamment été utilisé pour identifier des variables prédictrices des dynamiques au cours du temps. Pour autant, le lien temporel entre les variables peut dépasser le temps initial et les covariants peuvent être intégré aux différents temps de mesures.

Enfin, les analyses de classes latentes sont également modélisées sous la forme d’analyses de transitions de profils latents (ATPL). Les ATPL visent à : (a) identifier des sous-groupes d’individus présentant des profils distincts se basant sur les scores de plusieurs variables d’un construit multidimensionnel (e.g., différentes émotions) ; et (b) examiner la transition des individus dans les profils à travers le temps (e.g., changement de profil pour un individu au cours de la saison). Ainsi, la différence entre les ACLCC et les ATPL réside dans le fait que les sous-groupes d’individus représentent des trajectoires d’une variable donnée à travers le temps pour les ACLCC alors que ce sont des profils construits à partir du score de plusieurs variables pour les ATPL. Les ATPL étendent les analyses de classes latentes (ou de profils latents) en intégrant simultanément dans le même modèle plusieurs temps de passation, permettant ainsi d’identifier des probabilités de transitions, c’est à dire les probabilités de passer d’un profil à un autre entre le temps t et le temps t + 1 (Nylund-Gibson et al., 2014). En pratique, les mêmes indicateurs que pour les ACLCC sont utilisés pour identifier le nombre optimal de profils (i.e., test de Bootstrap du maximum de vraisemblance, AIC, BIC, ABIC) en comparant des modèles avec un nombre croissant de profils (pour plus de précisions sur la démarche, voir Nylund, 2007). À la différence des ACLCC, des analyses de profils latents sont construits séparément pour chaque temps de passation pour identifier dans un premier temps séparément le nombre optimal de profils pour chaque temps de passation. Dans un second temps, un modèle d’ATPL est conduit dans lequel l’ensemble des temps de passation sont inclus simultanément en spécifiant le nombre de profils précédemment identifiés dans les analyses de profils latents. Il est également possible d’ajouter dans les ATPL : (a) des prédicteurs afin d’observer l’influence de ces derniers sur l’appartenance aux profils aux différents temps de mesure ; et/ou (b) des variables de conséquences distales pour examiner l’effet de l’appartenance aux profils sur des variables mesurées sur des temps ultérieurs de passation.

2 Le cas des émotions sportives

Le processus émotionnel ne constitue pas un trait stable et l’état émotionnel des individus est soumis à des changements au cours du temps. Dans le domaine du sport compétitif, les demandes quotidiennes et la succession de temps importants (e.g. compétitions, stages) sont susceptibles d’agir sur l’évolution des émotions ressenties par les athlètes (Cerin, Szabo, Hunt, & Willimams, 2000). De plus, les réponses émotionnelles à un contexte donné varient sensiblement selon les individus, particulièrement dans le champ sportif (Gaudreau, Amiot, & Vallerand, 2009 ; Lazarus, 2000). En effet, face à des contraintes et des événements similaires, chaque athlète s’engage dans un processus émotionnel qui lui est propre. L’étude de dynamiques émotionnelles amène ainsi à une complexité au niveau des analyses à réaliser. Au regard de ces problématiques, plusieurs choix sont possibles pour le chercheur afin d’étudier les dynamiques émotionnelles. Les approches longitudinales telles que celles précédemment développées (analyses multiniveaux, ACLCC, ATPL) apparaissent particulièrement adaptées à l’étude des émotions en contexte sportif. Pour autant, compte tenu du développement récent de certaines de ces analyses, il s’agit dans cette étude de s’intéresser aux tenants et aboutissants des méthodes qui apparaissent comme les plus pertinentes pour répondre à cette complexité. Ainsi, en s’appuyant sur des études issues de la littérature scientifique sur les émotions en psychologie du sport, cet article propose une revue des méthodes longitudinales permettant de modéliser les processus émotionnels en développant le cas des analyses multiniveaux, des ACLCC et des ATPL.

3 Revue de méthodes longitudinales pour examiner la dynamique des émotions

3.1 Analyses multiniveaux

Les analyses multiniveaux sont de plus en plus utilisées dans la littérature scientifique et plusieurs études en psychologie sportive adoptant un design longitudinal ont utilisé cette approche méthodologique pour examiner les émotions ressenties durant le processus d’entraînement (Vacher, Nicolas, Martinent, & Mourot, 2017) ou la compétition (Doron & Martinent, 2016, 2017). Dans le cadre de ces protocoles longitudinaux, les mesures répétées renseignées sur plusieurs temps de passation par les participants représentaient le premier niveau d’analyse (niveau d’analyse intra-individuelle) alors que les athlètes représentaient le 2e niveau d’analyse (niveau d’analyse interindividuelle). Par exemple, Vacher et al. (2017) ont examiné les trajectoires des émotions ressenties (anxiété, colère, dépression, joie et excitation) par des nageurs durant les quatre mois précédents les championnats de France. Cette étude se base sur la théorie relationnelle cognitive motivationnelle qui correspond à l’une des approches les plus couramment utilisée dans le domaine des recherches sur les émotions (Lazarus, 2000). Cette approche vise à expliquer les facteurs déclenchant les émotions et les conditions dans lesquelles chaque émotion discrète est vécue (e.g., anxiété, colère, joie, soulagement). En s’appuyant sur une approche interactionniste, cette théorie postule que les émotions sont reliées aux croyances individuelles concernant la situation ainsi qu’aux variables personnelles telles que les croyances générales de l’individu (Lazarus, 2000). Les résultats des analyses multiniveaux révèlent des trajectoires quadratiques négatives (i.e., trajectoires en U inversé) au cours d’une saison sportive pour l’anxiété, le découragement et la colère tandis qu’un pattern opposé (trajectoire quadratique positive représentant un U) a été observé pour le bonheur et l’excitation. Ces trajectoires rendaient compte du contexte dans lequel les nageurs étaient immergés dans la mesure où la charge d’entraînement augmentait graduellement à l’approche de la compétition entraînant une augmentation des émotions déplaisantes (anxiété, colère et dépression) et une diminution des émotions plaisantes (joie et excitation) jusqu’à la période d’affûtage (allégement de la charge d’entraînement à l’approche de la compétition) durant laquelle les émotions déplaisantes diminuaient fortement et les émotions plaisantes augmentaient fortement (Vacher et al., 2017). Ainsi, les analyses multiniveaux semblent particulièrement utiles dans cette étude pour mettre en évidence l’influence du contexte situationnel tout au long du processus d’entraînement sur la dynamique des émotions ressenties par un groupe de nageurs préparant les championnats de France. Pour explorer encore davantage la complexité des processus émotionnels et notamment l’influence du contexte interpersonnel dans lequel les nageurs sont immergés durant les entraînements, un modèle à 3 niveaux aurait été particulièrement utile (i.e., niveau 1 : mesures répétées ; niveau 2 : individu ; niveau 3 : groupe d’entraînement). En effet, cela aurait pu permettre de mettre en évidence que la dynamique des émotions (trajectoires en U inversé pour les émotions déplaisantes et en U pour les émotions plaisantes) pouvait être modifiée par le contexte interpersonnel vécu par les nageurs dans leur groupe d’entraînement (e.g., climat instauré par l’entraîneur, relations entre les nageurs du groupe d’entraînement).

Par ailleurs, d’autres études ont utilisé les analyses multiniveaux pour examiner les relations complexes qui prennent place au cours de la compétition sportive entre les construits liés au processus émotionnel comme l’évaluation cognitive de la situation, les émotions ressenties et les stratégies de coping mises en place (Doron & Martinent, 2016, 2017). Ces études ont mis en évidence, au cours de matchs internationaux en escrime (en sabre et en fleuret respectivement), l’existence de relations significatives positives entre : (a) l’évaluation cognitive de challenge et/ou le contrôle perçu, le coping orienté sur la tâche, les émotions positives et la performance ; et (b) l’évaluation cognitive de menace, le coping orienté sur le désengagement, les émotions négatives et de faibles niveaux de performance (Doron & Martinent, 2016, 2017). Ces études pourraient être étendues en se centrant sur une partie spécifique des compétitions sportives afin d’analyser, par exemple, les dynamiques émotionnelles lors des premiers ou des derniers matchs de compétitions. Pour explorer encore davantage la complexité des processus émotionnels et notamment l’influence du contexte interpersonnel sur le processus émotionnel durant la compétition, il pourrait également être intéressant d’examiner si l’intelligence émotionnelle (IE) des sportifs (variable de niveau 2 ; niveau d’analyse inter-individuelle) modère les relations entre les variables émotionnelles précédemment citées au cours de la compétition. En effet, L’IE s’affirme comme un construit fortement en lien avec l’expérience émotionnelle et la performance (Mayer, 2009). L’IE comprend la capacité à évaluer nos propres émotions mais également celles d’autrui, la capacité à réguler ses propres émotions et celles d’autrui ainsi que la capacité à utiliser une information chargée émotionnellement (Schutte, Malouff, Simunek, McKenley, & Hollander, 2002). L’IE joue un rôle dans la protection des athlètes soumis à l’expérience d’émotions déplaisantes en réponse à une échéance sportive compétitive. Les études analysant chacune des dimensions de l’IE séparément ont par exemple montré que la compétence à gérer ses propres émotions était corrélée avec de faibles scores d’énervement, la compétence à gérer les émotions d’autrui était associée à de faibles scores de fatigue et la capacité à utiliser ses émotions était associée à de hauts scores de joie et de faibles scores de confusion et de tension (Lane, Thelwell, & Devonport, 2009). Ainsi, les capacités de reconnaître et réguler les émotions d’autrui pourraient par exemple avoir un rôle particulièrement important dans des contextes compétitifs interpersonnels, que ce soit en sport individuel d’opposition duelle pour influencer l’adversaire et ainsi modifier le rapport de force ou alors en sport collectif pour soutenir ces co-équipiers.

D’une manière générale, les études antérieures utilisant les analyses multiniveaux dans la champ de la psychologie des émotions en contexte sportif ont souligné la pertinence de cette approche pour : (a) modéliser la dynamique des émotions à travers le temps ; et (b) partitionner la variance des variables explicatives pour clairement mettre en évidence l’influence du contexte interpersonnel versus de variables individuelles sur le processus émotionnel durant l’entraînement et/ou la compétition. Pour autant, ce type d’analyse n’a pas été réalisé sur les émotions en employant une approche longitudinale, probablement parce que cela nécessite d’inclure une dizaine d’équipes (de centre d’entraînement) composée chacune d’une quinzaine de sportifs renseignant plusieurs temps de passation (4 temps de passation semblant être le minimum dans ce type d’analyse).

3.2 Analyses de classe latente de courbes de croissances

Les premières études dans la littérature en psychologie sportive ont employé les ACLCC pour étudier les trajectoires de coping à l’échelle de la saison sportive auprès d’athlètes (Gaudreau et al., 2009 ; Louvet, Gaudreau, Menaut, Genty, & Deneuve, 2007). Dans ces deux études, si les analyses de variance à mesures répétées n’ont pas révélé de différences significatives entre les scores de coping à travers le temps, différentes trajectoires de coping ont été mises en évidence, indiquant l’existence de sous-groupes de participants décrivant des trajectoires d’évolution du coping différentes à travers le temps (trajectoires croissantes, décroissantes et/ou stables ; Louvet et al., 2007, 2009).

Les trajectoires des états affectifs (affect positif et affect négatif) ont été analysées sur onze semaines en contexte compétitif sur des jeunes sportifs de haut niveau (Gaudreau et al., 2009). Les résultats ont mis en évidence l’existence de trois trajectoires d’affect positif (hauts scores d’affects positifs décroissants ; instable ; et scores modérés décroissants) et trois trajectoires d’affect négatif (faibles scores d’affects négatifs instables ; scores modérés instables ; et hauts scores décroissants). De plus, les effets de la motivation autodéterminée, de la satisfaction des besoins psychologiques fondamentaux et de l’identité de l’athlète sur l’appartenance aux trajectoires affectives ont également été examinés. Les participants appartenant aux trajectoires les moins adaptées (e.g. affects positifs modérés décroissants) reportaient des scores faibles de satisfaction des besoins psychologiques fondamentaux, de motivation auto-déterminée et d’identité sportive. Par la suite, les trajectoires d’une plus large variété émotions (amour, anxiété, colère, confiance, harmonie, joie, tristesse, vitalité) ressenties au cours de la saison sportive ont été étudiées chez de jeunes sportifs pensionnaires de centre d’entraînement intensifs (pôles espoir, pôles France, centre de formation ; Cece, Lienhart, Nicaise, Guillet-Descas, & Martinent, 2018). Les résultats ont montré l’existence de quatre trajectoires distinctes pour l’amour et la confiance, trois trajectoires pour la colère, l’harmonie, le bonheur, la tristesse, la vitalité et enfin deux trajectoires pour l’anxiété. Par exemple, l’anxiété comprenait une trajectoire à scores modérés, croissants (i.e. qui augmentent significativement au cours de la saison) et instables (i.e. dont la dynamique suit une courbe en U ou en U inversée) et une trajectoire à scores faibles et stable ; la vitalité comprenait une trajectoire aux scores hauts et stables, une trajectoire aux scores faibles et croissants et une trajectoire aux scores modérés et décroissants.

De plus, cette étude a également mis en évidence le rôle de l’IE mesurée en début de saison sur l’appartenance aux différentes trajectoires (Cece et al., 2018). Des scores élevés d’IE (score global) prédisaient significativement l’appartenance à des trajectoires émotionnelles adaptées. L’effet de la régulation émotionnelle (RE) a également été exploré dans cette étude. La RE correspond aux processus mis en jeu pour réguler l’expérience émotionnelle d’un individu (Gross, 1998). La RE est modélisée en englobant l’ensemble des actions inconscientes et/ou réfléchies visant à influencer les émotions ressenties. D’après la littérature scientifique, les sportifs utilisent une grande variété de stratégies de RE (e.g. réévaluation positive, suppression expressive) pour faire face aux émotions ressenties durant la compétition et/ou durant le processus d’entraînement (Martinent, Ledos, Ferrand, Campo, & Nicolas, 2015 ; Nicholls, Holt, Polman, & Bloomfield, 2006). La RE peut aussi bien porter sur la volonté de minimiser ses émotions déplaisantes ou bien de maintenir ou accroître ses émotions plaisantes (Gross, 1998). Dans l’étude longitudinale de Cece et al. (2018), des scores importants de trait de réévaluation positive (une stratégie de RE adaptée) prédisaient significativement l’appartenance à des trajectoires émotionnelles adaptées tandis que des scores élevés du trait de suppression expressive (une stratégie de RE inadaptée) prédisaient significativement l’appartenance à des trajectoires émotionnelles inadaptées. À titre d’illustration, des scores élevés de réévaluation positive en début de saison augmentaient significativement les chances d’appartenir à la trajectoire aux scores hauts et stables de vitalité en comparaison des autres trajectoires de vitalité (trajectoires à scores faibles et croissants et à scores modérés et décroissants). Cependant, si les émotions plaisantes (e.g., joie, espoir, amour) sont généralement corrélées à des conséquences adaptées (Reinboth, Duda, & Ntoumanis, 2004 ; Riemer & Chelladurai, 1998), les émotions déplaisantes (e.g., anxiété, colère, dépression) peuvent entraîner des réponses inadaptées (Beedie, Terry, & Lane, 2000). Les recherches récentes ont mis en évidence qu’il est important de distinguer la valence des émotions (plaisantes versus déplaisantes) et leurs conséquences (facilitantes versus handicapantes) puisque les émotions plaisantes peuvent avoir des conséquences inadaptées alors que les émotions déplaisantes peuvent être facilitantes (Cerin et al., 2000 ; Martinent, Campo, & Ferrand, 2012). Dans de futures études, il conviendrait ainsi de mesurer directement les conséquences des trajectoires émotionnelles par des mesures de scores de bien-être et/ou de performance. Il semble notamment intéressant d’intégrer ces variables dans les modèles d’analyses sous la forme de variables distales de résultats (Lanza, Patrick, & Maggs, 2010). Cette méthode pourrait être pertinente pour étudier l’influence de l’appartenance à un sous-groupe sur des variables sélectionnées telles que des indicateurs de bien-être ou de performance.

D’une manière globale, les précédents résultats soulignent l’intérêt des ACLCC pour identifier des sous-groupes d’athlètes décrivant des trajectoires émotionnelles distinctes au cours de la saison sportive. Par des approches longitudinales, les relations temporelles entre les émotions et d’autres variables peuvent être identifiées. L’ajout de variables prédictrices comme l’IE ou la RE permet ainsi d’enrichir les modèles d’analyses afin de dégager des perspectives d’intervention. Le rôle du contexte interpersonnel peut être mis en évidence dans les ACLCC en intégrant des variables prédictives significatives de ce point de vue. Par exemple, il pourrait être pertinent d’examiner l’effet de la RE interpersonnelle ou du climat motivationnel perçu mis en place par l’entraîneur sur l’appartenance à différentes trajectoires d’un large panel d’émotions plaisantes et déplaisantes au cours de la saison sportive. Cependant, les ACLCC ne permettent pas nécessairement d’inclure simultanément un large panel d’émotions distinctes dans les analyses. En outre, les trajectoires émotionnelles identifiées au moyen des ACLCC ne rendent pas compte des relations entre les différentes émotions alors que des résultats récents laissent suggérer qu’il est important d’examiner les liens entre les émotions plaisantes et déplaisantes pour comprendre leurs influences sur les comportements des individus (Folkman, 2013). Les ATPL présentées dans le paragraphe suivant permettent justement d’appréhender simultanément un large panel d’émotions distinctes au travers d’une approche longitudinale.

3.3 Analyses de transitions de profils latents

À notre connaissance, seulement deux études ont utilisé les ATPL dans la littérature scientifique relative aux émotions en contexte sportif (Martinent & Nicolas, 2017 ; Martinent, Gareau, Lienhart, Nicaise, & Guillet-Descas, 2018). Une première étude basée sur les scores d’affects positifs et négatifs sur deux temps de passation (avant et pendant la compétition) a fait ressortir cinq profils affectifs : un profil à faible affects positifs et négatifs handicapants (uniquement au temps 1) ; un profil à hauts affects positifs et affects négatifs modérés facilitants (présent aux deux temps de mesure) ; un profil à faibles affects positifs et hauts affects négatifs handicapants (uniquement au temps 1) ; un profil à affects positifs et négatifs modérés neutres (uniquement au temps 2) ; et un profil à faible affects positifs et affects négatifs modérés handicapants (uniquement au temps 2) (Martinent & Nicolas, 2017). Les ATPL ont également mis en lumière la dynamique des profils affectifs à travers le temps au niveau intra-individuel. Par exemple, certains athlètes du profil faible affects positifs et hauts affects négatifs handicapants au temps 1 étaient membres au temps 2 (durant la compétition) du profil à affects positifs et négatifs modérés neutres (46 %) ou du profil à hauts affects positifs et affects négatifs modérés facilitants (48 %). Martinent et al. (2018) ont étendu cette méthodologie en englobant trois temps de passation au cours de la saison sportive et en utilisant un plus large panel d’émotions pour construire les profils émotionnels (tristesse, anxiété, colère, joie, confiance, harmonie, amour, et vitalité). Quatre profils émotionnels ont été révélés au travers des ATPL : un profil à hautes émotions plaisantes et faibles émotions déplaisantes ; un profil à émotions plaisantes modérément hautes et faibles émotions déplaisantes ; un profil à émotions plaisantes et déplaisantes modérément hautes ; et un profil à émotions plaisantes et déplaisantes modérées. Le profil à émotions plaisantes et déplaisantes modérés n’apparaît qu’aux temps 2 et 3, tandis que le profil à émotions plaisantes et déplaisantes modérément hautes n’apparaît plus au temps 3. L’utilisation des ATPL a ainsi permis de mettre en évidence la nécessité de considérer à la fois les émotions plaisantes (e.g. joie, confiance) et déplaisantes (e.g. anxiété, tristesse, colère) dans la mesure où les émotions plaisantes ne correspondent pas simplement à une absence d’émotions déplaisantes et inversement (Martinent et al., 2018). De plus, sur le plan intra-individuel, les ATPL ont permis de mettre en évidence que durant une saison sportive, certains athlètes changent de profils émotionnels alors que d’autres athlètes conservent le même profil émotionnel tout au long de la saison sportive. L’accumulation des contraintes pourrait ainsi conduire des athlètes à ressentir des changements dans les émotions ressenties au cours du temps. Par exemple, une majorité des athlètes du profil à hautes émotions plaisantes et faibles émotions déplaisantes restaient dans ce profil pour le 2e (66 %) puis le 3e (93 %) temps de passation tandis qu’un nombre assez important (29 %) d’athlètes membres du profil à émotions plaisantes et déplaisantes modérément hautes au début de la saison (temps 1) basculait dans le profil à émotions plaisantes modérément hautes et faibles émotions déplaisantes au temps 2 (milieu de la saison sportive). Le rôle de la motivation autonome et contrôlée sur les émotions a été examiné (Martinent et al., 2018). Les résultats ont notamment montré qu’une motivation autonome élevée en début de saison était liée à des profils émotionnels adaptés, tandis que des scores de motivation contrôlée élevés augmentaient les probabilités d’appartenir à des profils émotionnels inadaptés.

À notre connaissance, l’influence de prédicteurs qui prennent en compte le rôle du contexte interpersonnel sur les profils émotionnels n’a pas encore été étudiée dans la littérature sur les émotions en sport. En outre, d’un point de vu méthodologique, l’approche en trois étapes des ATPL semble être une perspective intéressante (Asparouhov & Muthén, 2014). Cette méthode permet d’inclure des prédicteurs (RE, IE) dans des ATPL sans qu’ils n’influencent la répartition des athlètes dans les profils émotionnels. En d’autres termes, la constitution des profils émotionnels reste inchangée avec l’ajout des prédicteurs en fixant les paramètres du modèle aux valeurs de la modélisation initiale (Asparouhov & Muthén, 2014).

D’une manière générale, les quelques études antérieures utilisant les ATPL dans le champ de la psychologie des émotions en contexte sportif ont souligné la pertinence : (a) de conceptualiser le construit des émotions en englobant une large variété d’émotions distinctes (i.e., profil émotionnel) ; et (b) d’examiner l’évolution des profils émotionnels au cours du temps aussi bien au niveau interpersonnel (invariance des profils à travers le temps) qu’au niveau intrapersonnel (probabilités de transition). Ainsi, cette approche permet au chercheur de ne pas séparer les émotions discrètes et de proposer un pattern prenant en compte simultanément un large panel d’émotions aussi bien plaisantes que déplaisantes (Martinent et al., 2018). À l’aide des ATPL, la pluralité de profils identifiés montre que face à des contraintes et des événements similaires, chaque athlète s’engage dans un processus émotionnel qui lui est propre. En mettant en lumière l’hétérogénéité des réponses émotionnelles des athlètes face aux contraintes sportives, ces études confirment la pertinence d’analyses centrées sur les personnes telles que les ATPL concernant l’étude des émotions.

4 Conclusion

Les ACLCC, les ATPL ainsi que les analyses multiniveaux sont des approches méthodologiques relativement récentes qui semblent prometteuses pour examiner la dynamique des processus émotionnels en contexte sportif compétitif dans toute leur complexité. La présente revue de méthodes longitudinales visait à examiner les avantages et les inconvénients de chacune de ces trois approches pour permettre aux chercheurs d’utiliser la méthodologie la plus appropriée au regard des objectifs de l’étude et de la structuration des données recueillies. De plus, une attention particulière a été accordée à la pertinence de ces méthodes pour examiner le rôle du contexte social interpersonnel dans la complexité des processus émotionnels à l’entraînement et/ou en compétition.

En illustrant nos propos au travers d’études récentes conduites dans le champ de la psychologie des émotions en contexte sportif (Cece et al., 2018 ; Doron & Martinent, 2016, 2017 ; Gaudreau et al., 2009 ; Martinent & Nicolas, 2017 ; Martinent et al., 2018 ; Vacher et al., 2017), nous avons mis en évidence l’intérêt de ces approches pour modéliser l’évolution des émotions ressenties par les athlètes à travers le temps, que ce soit à l’échelle de la saison sportive, d’un cycle d’entraînement ou d’une compétition. Les ACLCC et les ATPL sont des méthodes centrées sur les personnes et visent à rendre compte de l’hétérogénéité d’un échantillon en segmentant la population d’études en sous-groupes décrivant respectivement différentes trajectoires émotionnelles (Cece et al., 2018) ou différents profils émotionnels (Martinent et al., 2018). Ces approches semblent intéressantes dans la mesure où tous les athlètes ne s’adaptent pas de la même façon aux contraintes d’un environnement compétitif (Cerin et al., 2000 ; Lazarus, 2000), ce qui peut expliquer des réponses émotionnelles différenciées face aux événements survenant à l’entraînement et/ou en compétition. Si les analyses multiniveaux reconnaissent l’existence de l’hétérogénéité de la population en la modélisant au travers de paramètres aléatoires, l’approche par analyses multiniveaux se distingue des ACLCC et ATPL dans la mesure où cette approche se centre sur les variables et n’a par conséquent pas vocation à identifier des sous-groupes d’athlètes. De plus, bien que les ACLCC et les ATPL soient deux méthodologies longitudinales centrées sur les personnes, elles se distinguent néanmoins dans la manière d’aborder le construit des émotions. En effet, les ATPL mettent en lumière différents profils émotionnels qui émergent pour chaque temps de mesure ainsi que les probabilités de passer d’un profil émotionnel à un autre au cours du temps. Les profils émotionnels correspondent alors à différents patterns de réponses prenant en compte simultanément un large panel d’émotions aussi bien plaisantes que déplaisantes. Les ACLCC se centrent spécifiquement sur une émotion donnée et visent à identifier différentes trajectoires émotionnelles à travers le temps (stabilité et/ou changement) pour cette émotion en particulier.

Nous avons également mis en évidence dans notre revue de méthodes que les trois approches méthodologiques examinées n’offrent pas la même place aux variables prédictives (e.g., IE ou RE) afin d’explorer l’effet de facteurs interpersonnels sur le processus émotionnel en contexte sportif compétitif. Si l’IE et la RE peuvent être inclus dans des ACLCC et ATPL en les intégrant directement dans le modèle final ou par l’intermédiaire de l’approche en 3-étapes précédemment présentée (Asparouhov & Muthén, 2014), les valeurs manquantes ne sont quoi qu’il arrive pas supportées pour les variables prédictives dans ces deux modèles, ce qui peut concourir à une baisse non négligeable de la taille de l’échantillon. À l’inverse, les analyses multiniveaux supportent la présence de valeurs manquantes (si ce sont des valeurs manquantes dû au hasard). De plus, l’inclusion de ces variables (IE et RE) dans les ACLCC ou dans les ATPL permet d’examiner l’effet de facteurs interpersonnels en se basant sur des perceptions individuelles des athlètes, sans partitionner la variance de ces variables explicatives, comme cela peut être le cas dans les analyses multiniveaux. Parmi les études examinées dans cette revue de méthode, une seule étude utilisant les ACLCC a intégré l’IE et la RE comme prédicteurs des émotions ressenties par les athlètes au cours de la saison sportive (Cece et al., 2018). Il ressort que les études futures utilisant des ATPL ou des analyses multiniveaux pourraient intégrer l’IE et la RE pour examiner plus précisément le rôle du contexte social interpersonnel dans les processus émotionnels des sportifs (Campo, Laborde, & Weckeman, 2015). Enfin, les analyses multiniveaux semblent particulièrement adaptées à cette question en permettant de partitionner la variance de variables explicatives afin de souligner le rôle du contexte interpersonnel sur les dynamiques émotionnelles des athlètes immergés dans un environnement sportif compétitif.

En conclusion, au-delà des différences notables mises en évidences entre les trois approches méthodologiques longitudinales examinées dans cette étude, il convient de noter qu’il n’existe pas de méthodologie idéale et que chaque approche possède ces avantages et ces inconvénients. Ainsi, ces différentes méthodes ne sont pas nécessairement à opposer et, en fonction des objectifs de l’étude et des éléments à mettre en valeur, le chercheur se tournera vers une approche plutôt qu’une autre. Plus particulièrement, dans le cas où le chercheur cherche à capturer le pattern émotionnel dans son ensemble incluant simultanément un large panel d’émotions spécifiques plaisantes et déplaisantes, il semble pertinent d’adopter une approche par ATPL. Si le but de la recherche est d’analyser spécifiquement les différentes trajectoires des émotions ressenties par les athlètes (e.g. l’anxiété ou la joie), l’utilisation d’une approche par ACLCC apparaît la plus adaptée. Enfin, l’approche par analyses multiniveaux permettra une meilleure prise en compte du contexte interpersonnel par l’imbrication des différents niveaux d’analyses. Un chercheur visant à analyser l’influence d’un environnement particulier (équipe sportive, conditions d’entraînement, climat mis en place par l’entraîneur) sur les réponses émotionnelles des athlètes à l’entraînement et/ou en compétition tendra dès lors à utiliser préférentiellement cette méthodologie. Ainsi, cette revue de méthodes suggère que les ACLCC, les ATPL et les analyses multiniveaux semblent particulièrement prometteuses pour mieux comprendre : (a) la dynamique des processus émotionnels en contexte sportif compétitif aussi bien pour le processus d’entraînement que pour la compétition ; et (b) la complexité des processus émotionnels dans les contextes interpersonnels notamment au travers de l’intégration de variables psychosociales comme l’IE et/ou la RE, qui restent encore relativement peu investiguées dans les études longitudinales investiguant les émotions en contexte sportif.

Références

  • Asparouhov, T., & Muthén, B. (2014). Auxiliary variables in mixture modeling: Three-step approaches using M plus. Structural Equation Modeling: A Multidisciplinary Journal , 21(3), 329–341. doi: 10.1080/10705511.2014.915181. [CrossRef] [Google Scholar]
  • Beedie, C.J., Terry, P.C., & Lane, A.M. (2000). The profile of mood states and athletic performance: Two meta-analyses. Journal of Applied Sport Psychology , 12(1), 49–68. doi: 10.1080/10413200008404213. [Google Scholar]
  • Campo, M., Laborde, S., & Weckemann, S. (2015). Emotional intelligence training: Implications for performance and health. In A.M. Colombus (Ed.), Advances in psychology research (Vol. 101, pp. 75–92). Hauppauge, NY: Nova Science Publishers. [Google Scholar]
  • Cece, V., Lienhart, N., Nicaise, V., Guillet-Descas, E., & Martinent, G. (2018). The role of emotional intelligence and emotional regulation on the emotional trajectories of young athletes involving in intense training centers. Journal of Sport and Exercise Psychology , in revision. [Google Scholar]
  • Cerin, E., Szabo, A., Hunt, N., & Williams, C. (2000). Temporal patterning of competitive emotions: A critical review. Journal of Sports Sciences , 18(8), 605–626. doi: 10.1080/02640410050082314. [CrossRef] [PubMed] [Google Scholar]
  • Collins, L.M., & Wugalter, S.E. (1992). Latent class models for stage-sequential dynamic latent variables. Multivariate Behavioral Research , 27, 131–157. doi: 10.1207/s15327906mbr2701_8. [Google Scholar]
  • Diggle, P.J., Liang, K.L., & Zeger, S.L. (1994). Analysis of longitudinal data. Oxford, England: Clarendon Press. [Google Scholar]
  • Doron, J., & Martinent, G. (2016). Trajectories of psychological states of women elite fencers during the final stages of international matches. Journal of Sports Sciences , 34(9), 836–842. doi: 10.1080/02640414.2015.1075056. [CrossRef] [PubMed] [Google Scholar]
  • Doron, J., & Martinent, G. (2017). Appraisal, coping, emotion, and performance during elite fencing matches: A random coefficient regression model approach. Scandinavian Journal of Medicine & Science in Sports , 27(9), 1015–1025. doi: 10.1111/sms.12711. [CrossRef] [PubMed] [Google Scholar]
  • Fernando, J.W., Kashima, Y., & Laham, S.M. (2014). Multiple emotions: A person-centered approach to the relationship between intergroup emotion and action orientation. Emotion , 14(4), 722. doi: 10.1037/a0036103. [CrossRef] [PubMed] [Google Scholar]
  • Folkman, S. (2013). Stress: Appraisal and coping. In M.D. Gellman & J.R. Turner (Eds.), Encyclopedia of behavioral medicine (pp. 1913–1915). NY: Springer. [CrossRef] [Google Scholar]
  • Gaudreau, P., Amiot, C.E., & Vallerand, R.J. (2009). Trajectories of affective states in adolescent hockey players: Turning point and motivational antecedents. Developmental Psychology , 45(2), 307. doi: 10.1037/a0014134. [CrossRef] [PubMed] [Google Scholar]
  • Golaz, V., & Bringé, A. (2009). Apports et enjeux de l’analyse multiniveau en démographie. Actes des Journées de Méthodologie Statistique. INSEE (3–5 juin 2009). [Google Scholar]
  • Gross, J.J. (1998). The emerging field of emotion regulation: An integrative review. Review of General Psychology , 2(3), 271. doi: 10.1037/1089-2680.2.3.271. [CrossRef] [Google Scholar]
  • Hanin, Y.L. (2007). Emotions in sport: Current issues and perspectives. In G. Tenenbaum & R.C. Eklund (Eds.), Handbook of sport psychology (Vol. 3, pp. 31–58). Hoboken: NJ: John Wiley & Sons. [Google Scholar]
  • Hox, J. (2002). Multilevel analyses: Techniques and applications. Mahwah, NJ: Erlbaum. [CrossRef] [Google Scholar]
  • Jeu, B. (1987). Analysis of sport. Paris : Presses universitaires de France. [Google Scholar]
  • Jung, T., & Wickrama, K.A.S. (2008). An introduction to latent class growth analysis and growth mixture modeling. Social and Personality Psychology Compass , 2, 302–317. doi: 10.1111/j.1751-9004.2007.00054.x. [Google Scholar]
  • Lane, A., Thelwell, R., & Devonport, T. (2009). Emotional intelligence and mood states associated with optimal performance. E-journal of Applied Psychology , 5(1), 67–73. doi: 10.7790/ejap.v5i1.123. [CrossRef] [Google Scholar]
  • Lanza, S.T., Patrick, M.E., & Maggs, J.L. (2010). Latent transition analysis: Benefits of a latent variable approach to modeling transitions in substance use. Journal of Drug Issues , 40, 93–120. doi: 10.1177/002204261004000106. [CrossRef] [PubMed] [Google Scholar]
  • Laursen, B.P., & Hoff, E. (2006). Person-centered and variable-centered approaches to longitudinal data. Merrill-Palmer Quarterly , 52(3), 377–389. doi: 10.1353/mpq.2006.0029. [Google Scholar]
  • Lazarus, R.S. (2000). How emotions influence performance in competitive sports. Sport Psychologist , 14(3), 229–252. doi: 10.1123/tsp.14.3.229. [CrossRef] [Google Scholar]
  • Louvet, B., Gaudreau, P., Menaut, A., Genty, J., & Deneuve, P. (2007). Longitudinal patterns of stability and change in coping across three competitions: A latent class growth analysis. Journal of Sport and Exercise Psychology , 29(1), 100–117. doi: 10.1123/jsep.29.1.100. [CrossRef] [Google Scholar]
  • Louvet, B., Gaudreau, P., Menaut, A., Genty, J., & Deneuve, P. (2009). Revisiting the changing and stable properties of coping utilization using latent class growth analysis: A longitudinal investigation with soccer referees. Psychology of Sport and Exercise , 10(1), 124–135. doi: 10.1016/j.psychsport.2008.02.002. [Google Scholar]
  • Magidson, J., & Vermunt, J.K. (2002). Latent class models for clustering: A comparison with K-means. Canadian Journal of Marketing , 20, 37–44. [Google Scholar]
  • Marsh, H.W., & O’Mara, A. (2008). Reciprocal effects between academic self-concept, self-esteem, achievement, and attainment over seven adolescent years: Unidimensional and multidimensional perspectives of self-concept. Personality and Social Psychology Bulletin , 34, 542–552. doi: 10.1177/0146167207312313. [CrossRef] [Google Scholar]
  • Martinent, G., Campo, M., & Ferrand, C. (2012). A descriptive study of emotional process during competition: Nature, frequency, direction, duration and co-occurrence of discrete emotions. Psychology of Sport and Exercise , 13(2), 142–151. doi: 10.1016/j.psychsport.2011.10.006. [Google Scholar]
  • Martinent, G., Ledos, S., & Nicolas, M. (2014). Méthodologies à la 1e et à la 3e personnes. Quelles articulations possibles dans le champ de la psychologie des émotions en contexte compétitif ? Dans M. Quidu (Ed.), Les Sciences du sport en mouvement. Tome II : innovations théoriques en STAPS et implications pratiques en EPS (pp. 291–306). Paris : L’Harmattan. [Google Scholar]
  • Martinent, G., Ledos, S., Ferrand, C., Campo, M., & Nicolas, M. (2015). Athletes’ regulation of emotions experienced during competition: A naturalistic video-assisted study. Sport, Exercise, and Performance Psychology , 4(3), 188–205. doi: 10.1037/spy0000037. [Google Scholar]
  • Martinent, G., & Nicolas, M. (2017). Athletes’ affective profiles within competition situations: A two-wave study. Sport, Exercise, and Performance Psychology , 6(2), 143. doi: 10.1037/spy0000085. [Google Scholar]
  • Martinent, G., Gareau, A., Lienhart, N., Nicaise, V., & Guillet-Descas, E. (2018). Emotion profiles and their motivational antecedents among adolescent athletes in intensive training settings. Psychology of Sport and Exercise , 35, 198–206. doi: 10.1016/j.psychsport.2018.01.001. [Google Scholar]
  • Mayer, J.D. (2009). Personal intelligence expressed: A theoretical analysis. Review of General Psychology , 13(1), 46–58. doi: 10.1037/a0014229. [CrossRef] [Google Scholar]
  • Muthén, B., & Muthén, L.K. (2000). Integrating person-centered and variable-centered analyses: Growth mixture modeling with latent trajectory classes. Alcoholism: Clinical and experimental research , 24(6), 882–891. doi: 10.1111/j.1530-0277.2000.tb02070.x. [CrossRef] [Google Scholar]
  • Nicholls, A.R., Holt, N.L., Polman, R.C., & Bloomfield, J. (2006). Stressors, coping, and coping effectiveness among professional rugby union players. The Sport Psychologist , 20(3), 314–329. doi: 10.1123/tsp.20.3.314. [Google Scholar]
  • Nylund, K. (2007). Latent transition analysis: Modeling extensions and an application to peer victimization. Thèse de doctorat, University of California, Los Angeles. [Google Scholar]
  • Nylund-Gibson, K., Grimm, R., Quirk, M., & Furlong, M. (2014). A latent transition mixture model using the three-step specification. Structural Equation Modeling: A Multidisciplinary Journal , 21(3), 439–454. doi: 10.1080/10705511.2014.915375. [CrossRef] [Google Scholar]
  • Reinboth, M., Duda, J.L., & Ntoumanis, N. (2004). Dimensions of coaching behavior, need satisfaction, and the psychological and physical welfare of young athletes. Motivation and Emotion , 28(3), 297–313. doi: 10.1023/B:MOEM.0000040156.81924.b8. [Google Scholar]
  • Riemer, H.A., & Chelladurai, P. (1998). Development of the athlete satisfaction questionnaire (ASQ). Journal of Sport and Exercise Psychology , 20(2), 127–156. doi: 10.1123/jsep.20.2.127. [CrossRef] [Google Scholar]
  • Rindfleisch, A., Malter, A.J., Ganesan, S., & Moorman, C. (2008). Cross-sectional versus longitudinal survey research: Concepts, findings, and guidelines. Journal of Marketing Research , 45(3), 261–279. doi: 10.1509/jmkr.45.3.261. [CrossRef] [Google Scholar]
  • Schutte, N.S., Malouff, J.M., Simunek, M., McKenley, J., & Hollander, S. (2002). Characteristic emotional intelligence and emotional well-being. Cognition & Emotion , 16(6), 769–785. doi: 10.1080/02699930143000482. [Google Scholar]
  • Singer, J.D., & Willett, J.B. (2003). Doing data analysis with the multilevel model for change. In Applied longitudinal data analysis: Modeling change and event occurrence (pp. 96–97). London: Oxford University. [Google Scholar]
  • Vacher, P., Nicolas, M., Martinent, G., & Mourot, L. (2017). Changes of swimmers’ emotional states during the preparation of national championship: Do recovery-stress states matter ? Frontiers in Psychology , 8, 1043. doi: 10.3389/fpsyg.2017.01043/full. [CrossRef] [PubMed] [Google Scholar]
  • Wright, D.B., & London, K. (2009). Multilevel modelling: Beyond the basic applications. British Journal of Mathematical and Statistical Psychology , 62, 439–456. doi: 10.1348/000711008X327632. [CrossRef] [Google Scholar]

Citation de l’article : Cece V, Guillet-Descas E, & Martinent G (2019) Revue de méthodes longitudinales pour examiner la dynamique des émotions en contexte compétitif. Mov Sport Sci/Sci Mot, 105, 79–88

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.