会前视频观察建模对14岁以下男性手球运动员情商和9米射门表现的影响：一项随机对照试验 阿玛雅拉·坦努比（Amayra Tannoubi）、 努拉·艾哈迈德（Noura Ahmed）、 约翰·埃尔维斯·哈根（John Elvis Hagan）、 梅迪纳·斯雷姆-赛（Medina Srem-Sai）、 弗拉德·阿德里安·根塔（Vlad Adrian Geant?） 以及费鲁兹·阿扎伊兹（Fairouz Azaiez）

《Children》：Effects of Pre-Session Video Observational Modeling on Emotional Intelligence and 9 m Shooting Performance in U14 Male Handball Players: A Randomized Controlled Trial Amayra Tannoubi, Noura Ahmed, John Elvis Hagan, Medina Srem-Sai, Vlad Adrian Geant? and Fairouz Azaiez

　　**亮点**
**主要研究结果是什么？**
一个为期6周的赛前去观察学习（VOM）项目显著提高了U14年龄段手球运动员的情商（所有维度）和9米射击表现，相较于对照组有明显改善。情商的提升与表现提升显著相关，干预后的情商解释了射击表现变异的43.7%。

**这些发现的意义是什么？**
简短且低成本的赛前去视频干预措施能够同时提升青少年体育训练中的心理（情商）和技术表现。本研究显示情商与技能结果相关，这支持进一步探讨其在教练和青少年运动员发展计划中的作用。

**摘要**
**背景/目的：**
情商（EI）是一种可改变的心理能力，与运动表现相关，但针对青少年体育的针对性干预措施仍相对较少。赛前去观察学习（VOM）对运动技能习得有效，但其提升情商的潜力尚未在随机设计中得到验证。本研究旨在评估为期6周的赛前去VOM项目对U14男性手球运动员情商和9米射击表现的影响，并探讨情商变化是否与表现提升相关。

**方法：**
33名U14男性手球运动员（平均年龄13.2岁±0.4岁）被随机分为VOM组（17名）和对照组（16名）。每次训练前，VOM组观看一段3-5分钟的标准化视频，展示9米射击技巧，两组完成相同的训练内容。情商通过阿拉伯情商量表（A-EIS）进行评估，表现通过每次射击成功次数来衡量。数据使用混合方差分析（ANOVA）、组间变化比较和线性回归进行分析。评估由不了解组分配情况的评估者完成。

**结果：**
基线时两组间无显著差异（p > 0.05）。VOM组在所有情商维度及表现上均有显著提升（p ≤ 0.005，η2p ≥ 0.176），而对照组在大多数情商指标上出现显著下降（p ≤ 0.019，d ≥ 0.66）。组间差异在所有结果上均显著，效应量较大（d = 0.90–3.08，95%置信区间[0.32, 3.85]）。变量间存在显著的组×时间交互作用（p ≤ 0.015，ω2p = 0.078–0.539）。情商的提升与表现提升显著相关（β = 0.517，p = 0.002），干预后的情商与测试后的表现变异显著相关（R2 = 0.437，p < 0.001）。

**结论：**
赛前去VOM与青少年手球运动员情商和9米射击表现的同步提升有关，但这些发现需要在更大、更多样化的样本中进行验证才能得出普遍结论。情商与表现之间的关系表明，情绪过程可能对技能习得有贡献。这些发现支持在青少年训练计划中加入简短的观察策略，但仍需在更广泛的样本中验证。A-EIS包括20个项目，分布于五个子量表中：情绪运用（UE；4个项目）、自我情绪评估（AOW；4个项目）、情绪调节（RE；3个项目）、社交技能（SK；4个项目）和他人情绪评估（AOT；5个项目），这些项目采用5点李克特量表进行评分（1 = 完全不同意至5 = 完全同意；总分范围：20–100）。Yahyaoui等人[45]展示了令人满意的内部一致性（各子量表的Cronbach’s α值在0.72–0.87之间）、可接受的验证性因素结构，以及在阿拉伯语人口中跨性别和运动类型的完全测量不变性。在当前样本中，各子量表的内部一致性也处于可接受至较高的水平（Cronbach’s α值在0.78至0.88之间），这支持了A-EIS在该队列中的可靠性。需要注意的是，A-EIS最初是在成人体育教育领域进行验证的；其用于13岁运动员的研究得到了该工具直观的李克特格式项目和适合年龄的语言的支持。

2.5.2 射门表现（Perf/5）
射门表现是通过标准化的9米罚球协议来评估的：每位参与者在标准化条件下进行五次尝试（相同的目标、守门员、考官和场地的标记）。表现指标定义为五次尝试中的成功射门次数（Perf/5；范围：0–5）。每次评估使用五次尝试的做法与已发表的青少年手球研究中的标准化评估程序一致[46,47]。

2.6 干预
干预措施持续了6周（18次课程，每周3次，每次约90分钟）。两组都参加了由同一位教练进行的相同手球训练课程，训练时长、强度和技术内容都相同。唯一的方法学差异在于每次课程前的组成部分：
**VOM组：课程前视频观察模仿**：在每次训练开始前，VOM组的参与者会共同观看一段3–5分钟的标准化视频，视频中是一位匿名运动员演示9米手球射门技术。所有参与者都不知道这位运动员的身份。视频内容包括：（1）多次重复过程中正确且逐步的技术执行；（2）真实的比赛条件（标准场地、球门和守门员）；（3）每次序列的最终结果是成功的射门。视频内容是标准化的，并在所有18次课程中保持一致。除了技术内容外，视频还特别选取了一些场景，展示了运动员在未命中后保持冷静、在连续尝试中持续集中注意力以及在整个序列中调节情绪水平的表现。这种嵌入在技术演示中的情感行为内容被认为可以为参与者提供可观察的情感行为范式，以便他们在实际训练中内化并应用。然而，需要指出的是，视频中的情感内容没有进行正式编码或量化，也没有在观看过程中评估参与者的注意力焦点（技术线索与情感线索）。观看视频后没有进行总结讨论或额外指导；参与者直接进入训练课程。

VOM课程在标准化和受控条件下进行，以确保最佳的感知和注意力参与度。视频演示通过一台联想笔记本电脑（15.6英寸屏幕；分辨率1920 × 1080像素）展示，距离参与者大约1.5–2.0米，确保所有球员都能清晰看到[24]。课程在一个安静、封闭的房间中进行，以减少外部干扰和听觉干扰。参与者被要求仔细观察演示的动作，不得同时从事其他任务。所有视频都在相同的环境和观看条件下展示。此外，观看角度是标准化的，环境光线条件在课程期间保持一致。教练监控了干预的忠实度， verificar了参与者在每次视频课程中的出席情况 и 视觉参与度。所有VOM组参与者在18次课程中都完成了完整的观看流程。

**对照组：仅接受标准训练**：CG组的参与者从课程开始就直接参加训练，没有任何课程前视频观看或补充活动。两组在整个课程期间都接受了相同的教练指导、技术反馈和训练内容。这种“课程内等效”设计确保了观察到的任何组间差异主要归因于研究设计中的课程前视频模仿部分，而不是训练内容、强度或教练质量的差异。

2.7 统计分析
所有分析均在R（版本4.4.0；[48]）中进行，双尾显著性阈值设定为α = 0.05。分析过程包括四个连续阶段。首先通过标准化z分数（|z| > 3.29）筛选异常值；无论是否包含异常值，分析结果都相同，因此所有数据都被保留。使用Shapiro–Wilk检验[49]在每个“组×时间”单元内评估正态性，使用Levene检验[50]评估方差齐性。Shapiro–Wilk检验确认UE、AOW、SK、AOT、IE Total和Perf/5的所有“组×时间”单元均接近正态分布（p > 0.05）；CG组在预测试中的RE显示出轻微偏离（p = 0.048），因此特别进行了Wilcoxon稳健性检验。在分析之前，所有参数检验的假设都得到了验证。
组内变化通过配对t检验来评估每个组内前后的差异（VOM：df = 16；CG：df = 15），使用Wilcoxon符号秩检验作为非参数稳健性检查[51]；效应量使用配对Cohen’s d（ΔM/SD）[52]计算。
组间比较使用独立t检验进行（Δ = T2 ? T1；df = 31），并通过Mann–Whitney U检验（效应量：rank-biserial r）[53]进行验证；混合设计ANOVA（组[被试间] × 时间[被试内]）用于检查每个结果变量的交互效应；报告了部分eta平方（η2p）和omega平方（ω2p），后者在样本量较小（n < 50）时更受青睐，因为偏差较小[54]，并根据Cohen[52]的阈值进行解释（小 ≥ 0.01，中等 ≥ 0.06，大 ≥ 0.14）。

相关性和预测分析使用Pearson（r）和Spearman（ρ）相关性对所有提升分数进行评估（N = 33）。随后测试了两个简单的线性回归模型：模型A检验总体情绪智力（EI）的变化是否预测了表现的变化（ΔEI total预测Δperformance/5），而模型B检验T2时的总体EI是否预测了T2时的表现。由于初步分析中EI子量表之间存在显著的多共线性（VIF = 10.4–25.5），因此没有进行多元回归。相反，保留的模型没有显示出多共线性的证据（VIF = 1.00）。模型拟合度通过R2、调整后的R2和Cohen’s f2（大 ≥ 0.35）[52]进行评估。鉴于主要假设（H1–H3）的验证性和次要分析的探索性，七个结果变量均未进行多重比较校正。因此，应对次要结果进行适当谨慎的解释，并将其视为假设生成的结果。

3. 结果
3.1 基线等效性
随机分组产生了两个人体测量学上等效的组（表1）。独立t检验确认干预前两组在身高[t(31) = 0.40, p = 0.692, d = 0.14]、体重[t(31) = 0.05, p = 0.961, d = 0.02]以及七个结果变量上均无显著差异（所有t值 < 1.50，所有p值 > 0.143；见表1），排除了组间原有的差异作为后续结果的替代解释。没有发现影响结果的极端异常值，假设检验支持使用参数分析。表1. 各组的人体测量学特征。

3.2 描述性统计
描述性统计数据见表2。在预测试中，两组在所有变量上的情绪智力（EI）和表现得分相当，置信区间有重叠。在后测试中，两组之间出现了明显的分歧：VOM组的IE Total得分平均值为M = 77.81（SD = 1.48）——后测试的变异性较低，可能反映了向更高分数的收敛或仪器的上限效应（A-EIS最大值 = 100；VOM组后测试M = 77.81，SD = 1.48；17名参与者中有14名得分≥76/100，占量表最大值的76%，个体间方差很小）；而CG组的得分平均值为M = 35.72（SD = 11.70），比基线下降了16.59分。因此，应对后测试分数的压缩结果持谨慎态度，因为它可能不仅反映了进步，也可能是由于测量误差或反应倾向导致的分数分散减少。射门表现也显示出类似的趋势：VOM组的得分提高了1.82分（从2.53分提高到4.35/5分），而CG组仅有轻微且不显著的提高0.53分。表2. 各组及时间的描述性统计（N = 33）。

3.3 组内演变
配对t检验（表3）显示VOM组在所有七个结果变量上都显著提高（p ≤ 0.005），效应量从大到非常大（d = 0.80–1.74）。最大提升出现在IE Total（ΔM = +24.88, d = 1.74）、AOT（ΔM = +7.08, d = 1.62）和UE（ΔM = +6.06, d = 1.63）。相比之下，CG组在七个变量中有五个显著下降（p ≤ 0.019），尤其是在RE（ΔM = ?3.69, d = ?2.17）和IE Total（ΔM = ?16.59, d = ?1.08）上。只有AOT（p = 0.172）和表现（p = 0.141）在CG组中没有显著变化。所有Wilcoxon符号秩检验都证实了这些发现。表3. 组内前后演变——配对t检验。

3.4 组间提升比较
组间提升分数的比较（表4）显示VOM组在所有七个结果变量上都具有显著优势（p ≤ 0.015）。效应量普遍较大到非常大（d = 0.90–3.08），其中UE（d = 3.08）、IE Total（d = 2.80）和RE（d = 2.51）的差异最大。非参数Mann–Whitney U检验也证实了所有发现；值得注意的是，RE的rank-biserial系数达到了r = ?1.000，表明两组在该维度上完全分离。参数和非参数p值之间的系统一致性确认了结果的稳健性。然而，鉴于样本量较小、组间双向差异以及设计特点，应保守解释这些组间效应量估计。表4. 提升分数的比较（Δ T2 ? T1）：VOM组与CG组——参数和非参数检验。

3.5 混合方差分析（ANOVA）—组×时间交互
混合方差分析的结果见表5。组×时间交互作用——主要的推断检验——对所有七个结果变量都具有统计学意义（F ≥ 6.61, p ≤ 0.015），支持H2。交互效应从很大到非常大不等（ω2p = 0.078（表现）到ω2p = 0.539（UE）。对于IE Total，仅交互作用就解释了49.1%的方差（使用校正偏差的估计器ω2p = 0.491），表明组间的不同时间轨迹，而不仅仅是时间或组别本身，解释了大部分结果方差。时间的主效应仅对SK、AOT和表现显著（p ≤ 0.05）。

3.6 提升分数的相关性
图2显示了提升分数之间的Pearson（r）和Spearman（ρ）相关性。五个EI维度之间的相关性普遍较大（r = 0.691–0.953，所有p < 0.001），表明在提升分数层面所有EI维度之间存在强烈的共变。IE Total与表现之间的相关性具有中等至较大的幅度（r(31) = 0.517, p = 0.002；ρ = 0.535, p = 0.001）。在子量表中，AOT与表现的相关性最强（r(31) = 0.504, p = 0.003；ρ = 0.547, p = 0.001），其次是UE（r = 0.489, p = 0.004）和RE（r = 0.476, p = 0.001）。这些相关性在Pearson和Spearman估计中都是一致的，表明结果对分布假设具有稳健性。

3.7 回归模型
测试了两个简单的线性回归模型（表6）。两个模型的VIF均为1.000，Cohen’s f值较大（≥0.35）。模型A表明IE Total的提升分数显著预测了表现的提升（β = 0.517, t(31) = 3.359, p = 0.002, R2 = 0.267, f = 0.364），IE Total每提高10分，表现得分提高0.32分。模型B表明后测试的IE Total解释了后测试表现得分的43.7%（β = 0.661, t(31) = 4.908, p < 0.001, R2 = 0.437, f = 0.777）。表6. 简单线性回归模型。

4. 讨论会前视频建模作为情绪智力（EI）发展工具
本随机对照试验（RCT）的核心和创新贡献在于提供了初步证据，表明在训练前简单地观看一名匿名运动员展示9米手球射门技巧的视频，这一差异在所有其他条件相同的情况下，能够显著提升U14级别新生运动员的情绪智力水平，且在五个情绪智力维度及总体情绪智力上都观察到了较大的效果大小。据目前所知，这是首次通过控制实验研究发现视频观察建模能够增强运动员的情绪智力[11]。

已有三种基于理论的机制被提出来解释这种效应，但在当前的设计中无法直接验证。首先，注意力启动：训练前观看视频能引导参与者关注演示者射门失误后的情绪反应、持续的努力以及调整后的唤醒状态等与表现相关的情绪线索，这些情绪体验会在后续的实际训练中作为模板被参与者采纳[27,28,29,30,37]。其次，情绪图式获取：通过18次训练周期的系统化暴露，运动员逐渐巩固了对情绪调节行为的内部认知，从而增强了情绪理解（UE）、情绪表达（RE）和情绪调节（AOT）能力[23,39]。第三，调节性建模：演示者在面对表现结果时的可见行为反应为运动员提供了具体的情绪调节策略模板，而这些是仅凭比赛经验难以获得的[5]。

模特的匿名性并未削弱学习效果，反而可能有助于这种学习过程：由于没有基于身份的社会比较，参与者可以完全专注于视频中传达的情绪和技术信息[35,36]。两组几乎相同的训练条件大大减少了其他解释的可能性，但并不能完全排除这些额外因素。然而，当前的设计无法区分这些机制的相对贡献。还需要考虑其他可能的解释：例如，VOM组（观看视频组）的参与者可能因为观看视频的新颖性而增强了动机或参与度（这种新颖性效应预计会随时间减弱）；或者是训练前观看视频提高了注意力集中度，从而减少了认知负担并增强了任务准备状态；再者，集体观看的环境也可能促进了情绪智力和表现的提升。最后，由于仅使用了自我报告的情绪智力测量方法，这些改善可能更多地反映了自我意识或自我表现的变化，而非实际情绪能力的变化。这些解释需要通过未来的研究来加以区分。

4.2 对照组的情绪智力下降
对照组在七个情绪智力指标中的五个指标上出现显著下降，这一现象需要谨慎解读，不能直接归因于标准训练的效果。虽然这种下降是在其他条件相同的训练下发生的，但不能完全确定是由对照组本身造成的[21]。还有多种非训练相关的解释：样本量较小导致基线分数较高后的回归平均值；测试后自我报告反应疲劳；青少年对自己情绪能力的自然波动；或者不同组之间的期望效应差异[55]。因此，这里观察到的双向差异应被视为描述性发现，而非标准训练损害情绪智力发展的直接证据。由于缺乏第三个测量点，并且完全依赖自我报告工具，因此无法对这一趋势做出明确结论[17,18]。

4.3 表现提升与情绪智力到表现的路径
VOM组的射门表现显著提高，而对照组则没有变化，这种组间差异具有统计学意义。这些表现提升与先行研究的结果一致，即训练前视频建模有助于运动技能的学习[24,25,26,27,32,33,34]，因为观察-练习的结合加速了技术图式的形成和稳定。情绪智力提升与表现提升之间的显著关联支持了共同发展的假设，即情绪智力和表现可能同时受到视频的影响，但并没有一个必然导致另一个的变化。需要明确的是，第3.7节中的回归分析仅建立了统计上的共变量关系，并未确定情绪智力与表现变化之间的方向、机制或因果关系。当前的设计是一个单场所的RCT，没有进行中介分析，也没有时间上的预测因子和结果的分离，且完全依赖于自我报告的情绪智力测量，因此无法得出因果结论。要确定情绪智力的变化是先于、跟随还是同时发生在表现变化之前，需要采用多测量点的纵向研究或独立于表现情境操纵情绪智力的实验设计。模型B显示，测试后的情绪智力水平解释了射门准确率43.7%的变异，这一比例远高于以往在手球研究中的横断面关联结果[7,8,56]。这种高度关联可能反映了干预引起的情绪智力与表现之间的共变量关系，而非稳定的横断面关系。虽然目前的设计无法直接验证，但可以推测，那些发展出更强情绪调节能力的运动员可能在实际比赛中增强了阅读对手线索的能力，从而在纯生物力学提升之外带来了表现优势。这一解释应被视为未来研究的假设，而非现有数据的结论。

4.4 表现提升与情绪智力之间的关联
VOM组的射门表现显著提高，而对照组保持不变，这表明情绪智力对表现有显著影响。这些表现提升与先前研究的结果一致，即训练前视频建模有助于运动技能的学习[24,25,26,27,32,33,34]。情绪智力提升与表现提升之间的显著关联支持了共同发展的假设，但并不能确定两者之间的因果顺序或机制。当前的设计无法确定情绪智力的变化是先于、跟随还是同时发生在表现变化之前。

4.5 A-EIS的有效性和敏感性
本试验提供了初步证据，表明A-EIS（情绪智力测量工具）在受控干预环境中能够反映变化[45]。该工具检测到组间存在显著差异，表明其对干预相关变化敏感；然而，VOM组在测试后的得分分布密集且方差较小，这也可能是测量压缩、天花板效应或反应风格效应的结果。因此，这些发现支持了A-EIS在纵向体育研究中的潜在用途，但不能将其视为情绪智力广泛或系统发展的决定性证据，除非有行为或观察者为基础的验证性数据[3,4]。

4.6 限制因素
本研究存在几个局限性。首先，样本仅包含男性、来自同一俱乐部且来自突尼斯的运动员，因此需要进一步扩展到女性运动员、混合样本或其他阿拉伯语国家的研究。其次，情绪智力仅通过自我报告进行测量，这类工具存在局限性——人们可能会根据研究期望的方式回答问题。特别是在干预研究中，参与者知道自己属于哪个组，这可能导致期望效应。例如，VOM组的参与者可能预期会取得进步并据此调整回答。这些问题尤为重要：首先，参与者不知道自己属于哪个组；其次，干预新穎且表述积极，可能鼓励了更积极的回应；第三，VOM组的测试后情绪智力得分接近上限，个体间差异很小，这可能是真实进步的结果，也可能是社会期望偏差的表现。由于缺乏行为、观察者或表现方面的测量，这些解释无法排除。未来的研究应包含至少一种非自我报告的情绪智力测量方法，如观察者对情绪行为的评分、教练对情绪调节的评估、压力下的心率变异性等生理指标，或评估情绪识别的反应时间任务。此外，由于缺乏干预后的跟踪数据，无法确定情绪智力和表现提升的持续性。

4.6 强项、实际应用和未来研究方向
本RCT在方法学上具有多个优势：随机化平行组设计、分配隐蔽性和盲法结果评估减少了选择偏差和检测偏差；两组接受相同训练内容的设计增强了内部有效性，并明确了训练前视频成分的积极作用。参数检验与非参数检验在所有七项指标上的一致性进一步支持了研究结果的可靠性。同时报告η2p和校正偏差后的ω2p提供了小样本中解释变异的更精确估计。此外，本研究表明A-EIS可以在RCT中作为敏感的结果测量工具，为阿拉伯语国家的体育研究提供了新的测量方法。这些发现对于青少年手球和团队运动的教练具有实际意义——在训练前集体观看一段简短（3-5分钟）的标准化视频是一种低成本且高效的方法，教练无需专门的心理学培训，只需选择一段技术准确且富有情感信息的视频即可。结果表明，在VOM条件下，情绪智力成分（尤其是情绪调节和理解他人情绪的能力）可能与运动技能一起发展。基于此，教练可以在早期发展阶段（U12-U14）将结构化的观察元素融入常规训练中。体育联盟和学院也可以考虑将训练前视频建模作为现有技术和体能训练的补充。

未来研究的方向包括：需要针对女性运动员、混合性别样本和更大规模的样本进行重复研究，以增强外部有效性。此外，未来的研究应包括后续评估（例如，在干预后4-8周），以检查在不再使用VOM时，情绪智力（EI）和表现方面的提升是否能够保持。当前设计中缺乏积极的对照或安慰剂对照条件（例如，接触与任务无关的中性、非情绪化的视频内容），这是一个明显的局限性。VOM组的参与者可能仅仅因为接受了结构化且新颖的预训练活动，就表现出了更高的动机、更强的任务参与度、更集中的注意力或预期效应，这些因素与视频中的情感或技术内容无关。这些因素可以合理地解释观察到的组间差异的一部分。由于在当前设计中无法将这些因素与观察学习效应区分开来，因此将研究结果具体归因于与EI相关的建模过程的任何解释都只能是暂时的。因此，未来的研究应包含一个明确的积极对照条件，以便将观察学习效应与新颖性、注意力和预期效应区分开来。此外，结合神经生理学或行为测量指标（例如心率变异性、注意力追踪、观察者评分）以及自我报告的EI工具，将提高构建的有效性，并有助于更清楚地理解潜在机制。进一步的研究还应探讨VOM对EI的影响是否取决于模型的特点（例如新手与专家；同伴与成人）或视频内容的特定特征（如情感表达性或是否包含失败场景）。解决这些因素将有助于进一步完善将观察学习与情感发展联系起来的理论框架。

5. 结论

这项随机对照试验提供了初步证据，表明在标准训练之外，简短的预训练视频观察建模干预与U14男性手球运动员的情绪智力（涵盖所有五个子量表）和9米射门表现的提升有关。情绪智力的提升与表现的提高显著相关，而测试后的情绪智力也与测试后射门准确性的变异有重要关联。这些发现表明，情感过程可能有助于青少年体育技能的获取。然而，目前的数据无法确定这种关系的因果方向和潜在机制。

从应用的角度来看，将简短的标准化预训练视频建模整合到青少年训练计划中，似乎是一种可扩展且成本较低的策略，有可能同时支持心理和技术发展，尽管具体负责观察到益处的机制尚不确定。A-EIS作为一种结果测量工具，在受控干预环境中也表现出良好的敏感性。

需要在大规模、更多样化的样本以及混合性别的样本中进行进一步研究，并结合前瞻性注册和后续设计，以确认这些效应的幅度、普遍性和持久性。