Modelling the Influence of Teacher Characteristics on Student Achievement for Canadian Students with and without Learning Disabilities.
Notice bibliographique
Résumé
The present study explored the relationships between teacher characteristics and the academic achievement of students with and without Learning Disabilities (LD) in a path model. Teacher-related variables included teacher self-efficacy, expectations of students ’ educational attainment, level of education and years of experience. Data were drawn from the Canadian National Longitudinal Survey of Children and Youth and participants included students in grades one through six who were taught by a single teacher (N = 2367). Results indicated that the hypothesized path model was an excellent fit to the data. Furthermore, academic achievement was significantly impacted by teacher expectations, LD status, and teacher efficacy. Teachers felt less confident in their ability to instruct students with LD, had lower expectations of their long-term success and also rated their achievement more poorly. The findings are discussed within existing research and implications for teacher preparation and in-service training programs are presented. Students with Learning Disabilities (LD) are now increasingly included in regular, or inclusive classrooms across North America (Data Accountability Center, 2009a). These students are typically taught by teachers who have varied training and expertise with respect to including students with exceptionalities in their classes (Booth, Nes & Stromstad, 2003). As well, these teachers bring to their classroom their own beliefs, expectations, attitudes and sense of self-efficacy related to instruction and
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 | 0,001 | 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 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 ».