Effect of Self-efficacy on the Relationship between Corporal Punishment and School Dropout
Notice bibliographique
Résumé
Corporal punishment results in aggressive behaviours in students. As a result, some students leave school. Researchers believe that the issue of school dropout can be reduced by adopting different motivational techniques. Self-efficacy is one technique that can be promoted to create a caring and supportive learning environment. The issue of dropout is alarming in many Pakistani schools especially at the primary level due to the prevalence of corporal punishment and other factors. This issue prevails mostly in government schools where teachers adopt stringent steps in the teaching process. This study was specifically designed to examine the role of self-efficacy as a moderator between corporal punishment and school dropout. Many studies have explored the relations of corporal punishment with school dropout. It remains to be seen what actually moderates these relations. This study contributes to this gap in the literature by examining self-efficacy as an influencing factor. The study used a validated questionnaire to survey 300 government primary school teachers’ attitude on this issue. Results of the study indicated that corporal punishment significantly correlated with school dropout rate. Secondly, self-efficacy significantly moderates the relations between corporal punishment and school dropout. On the basis of these findings, the study concludes that teachers may reduce the issue of school dropout by creating a supportive and caring teaching and learning environment in school. Finally, the study suggests that the school administration play a key role to overcome the issue of increasing rate of school dropout by adopting rules and procedures to convince and motivate teachers to avoid corporal punishment.
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 | 0,002 | 0,001 |
| 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 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 ».