Testing Competing Structural Models of Approaches to Learning in a Sample of Undergraduate Students: A Confirmatory Factor Analysis
Notice bibliographique
Résumé
Current research into studying orientations indicate that students are directed by motives and strategies that reflect both surface (reproduction of contextual material) and deep approaches (comprehensive understanding) to learning. Both are influenced by a latent factor emphasizing a students desire to achieve academically. In this study, the application of Biggs' Study Process Questionnaire (SPQ) is used to test competing models of students' approaches to learning in a sample of 504 undergraduate university students at a major Canadian university, 36o junior – 1st year and 2nd,(year (71.4%) and 144 senior – 3rd year and 4th year (28.6%). In addition to an internal consistency and test-retest reliability analysis of the SPQ, a confirmatory factor analysis was utilized to evaluate the goodness-of-fit of three competing models and an alternative structural model of the motives and strategies of students' approaches to learning. The results provided support for a three-factor model of approaches to learning (Comparative Fit Index = .974). The achieving motive and strategy subscales were significant indicators of both surface and deep factors. The internal consistency alpha coefficient was .82, and 3-month test-retest reliabilities for the subscales ranged from .54 to .73. The results support a three-factor model of approaches to learning where surface and deep approaches are accompanied by a third latent factor reflecting student's approach to academic achievement. An understanding of students' approaches to learning enhances the process of learning and teaching by providing practitioners with an insight into the intrinsic and extrinsic motives for learning at school.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».