Reducing Anxiety and Increasing Self-efficacy within an Advanced Graduate Psychology Statistics Course
Notice bibliographique
Résumé
In this study we assessed the usefulness of a multifaceted teaching framework in an advanced statistics course. We sought to expand on past findings by using this framework to assess changes in anxiety and self-efficacy, and we collected focus group data to ascertain whether students attribute such changes to a multifaceted teaching approach. Statistics anxiety significantly decreased and students’ current statistics self-efficacy increased. Further, course performance was positively correlated with self-efficacy and a strong negative relationship between statistics anxiety and self-efficacy was documented. Focus group data suggested students appreciated aspects of this teaching framework and that they thought it served to reduce anxiety. In addition to this teaching framework, two instructional techniques were used to teach two specific statistical concepts. These techniques did not result in significant performance differences; however, students reported enjoying the activities and encouraged their use in future classes. Overall, this study suggests a multifaceted teaching framework may be useful in helping graduate students overcome anxiety and increase self-efficacy when completing an advanced statistics course. The research presented here adds to the growing literature concerning the importance of non-cognitive factors when teaching statistics. Limitations and directions for future research are discussed. Dans cette étude, nous avons évalué l’utilité d’un cadre pédagogique à plusieurs facettes dans un cours de statistiques de niveau avancé. Nous avons cherché à accroître les résultats de nos recherches passées en utilisant ce cadre pour évaluer les changements en matière d’anxiété et d’auto-efficacité et nous avons recueilli des données de la part de groupes cibles pour vérifier si les étudiants attribuaient de tels changements à une approche pédagogique à plusieurs facettes. L’anxiété vis à vis des statistiques avait beaucoup diminué et l’auto efficacité actuelle des étudiants en matière de statistiques avait augmenté. De plus, le rendement des cours était lié de façon positive à l’auto efficacité et une forte relation négative a été documentée entre l’anxiété vis à vis des statistiques et l’auto efficacité. Les données recueillies des groupes cibles suggèrent que les étudiants ont apprécié les divers aspects de ce cadre pédagogique et qu’ils ont pensé que celui-ci permettait de réduire l’anxiété. Outre ce cadre pédagogique, deux techniques d’instruction ont été utilisées pour enseigner deux concepts de statistiques spécifiques. Ces techniques n’ont pas donné lieu à des différences significatives, toutefois les étudiants ont rapporté qu’ils avaient aimé les activités et qu’ils encourageaient leur emploi dans d’autres cours à l’avenir. En général, cette étude suggère qu’un cadre pédagogique à plusieurs facettes peut être utile pour aider les étudiants des cycles supérieurs à surmonter l’anxiété et à augmenter l’auto efficacité dans les cours de statistiques de niveau avancé. La recherche présentée ici s’ajoute à la documentation de plus en plus vaste qui existe déjà sur l’importance des facteurs non cognitifs dans l’enseignement des statistiques. L’article présente également une discussion sur les limites et les directions à suivre pour des recherches futures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».