Design, Application, and Factor Structure of a Cultural Capital Questionnaire: Predicting Foreign Language Attributions and Achievement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Culture, as a variable which explains a great part of individual differences, has proved to be effective in defining the factors to which individuals ascribe their success or failure. This study introduced a completely new perspective to the relationship between culture and foreign language attributions by making reference to Bourdieu’s concept of cultural capital. To this aim, a questionnaire for measuring cultural capital was designed, applied, and validated. The Factorability of the intercorrelation matrix was measured by two tests, namely, Kaiser-Meyer-Olkin test of Sampling Adequacy (KMO) and Bartlett’s Test of Sphericity the results of which indicated that the factor model was appropriate (0.65, p < .05). Moreover, the results of Exploratory Factor Analysis (EFA) based on the performance of 476 undergraduate university students yielded a two-factor solution of Textual literacy and Musical literacy. Moreover, the survey explored the relationship between the new factors and learners’ foreign language attributions as measured by the Language Achievement Attribution Scale (LAAS) and the Causal Dimension Scale (CDS-II). Results from Pearson product-moment correlation revealed that the total score for cultural capital was significantly related to learners’ ability, effort, and personal attributions. In order to investigate the role of cultural capital in predicting learners’ foreign language achievement, Multiple Linear Regression Analysis was conducted. Results revealed that musical literacy was the best predictor of the listening and speaking skills, whereas reading, writing, and grammar were mostly predicted by learners’ textual literacy. At the end, statistical results were discussed, and implications for English language teaching were provided.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle