MétaCan
Menu
Retour à la cohorte
Enregistrement W1972263848 · doi:10.5539/ies.v3n2p56

Using the Rasch Model to Measure Students’ Attitudes Toward Science in “Low Performing” Secondary Schools in Malaysia

2010· article· en· W1972263848 sur OpenAlexvenueno aff
Ahmad Nurulazam Md Zain, Mohd Ali Samsudin, Robertus Rohandi, Azman Jusoh

Notice bibliographique

RevueInternational Education Studies · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueScience Education and Pedagogy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRasch modelMathematics educationMeasure (data warehouse)PsychologyItem response theoryLikert scaleItem analysisPedagogyPsychometricsComputer scienceDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to examine students' attitudes toward learning science in three "low performing" secondary school in Penang, Malaysia. 214 students from these schools were involved in completing a questionnaire containing items consisting of six constructs. Data collected were analyzed using Rasch modeling. Students in low performing schools tended to have less positive self-concept of science and were unlikely to experience that learning science were related to their future careers. However, students believed that science is useful for society, and experienced that learning science was interesting. Implications for science educators based on these results are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,170
Score d'incertitude au seuil0,824

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,237
Tête enseignante GPT0,530
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Education StudiesMême sujetScience Education and PedagogyTravaux en français237 207