Self-Regulation in Higher Education: Students’ Motivational, Regulational and Learning Strategies, and Their Relationships to Study Success
Notice bibliographique
Résumé
Abstract This study investigates how in the self-regulation of learning (SRL; Pintrich 2000; Zimmerman, 2000), the motivational and affective factors are related to regulation strategies of behaviour and context, and learning strategies - and identifies different profiles in SRL. The study also aims to explore which factors of SRL are related to study success and study progress during master degree studies. The data consist of undergraduate students’ (N = 1248) responses to IQ Learn self-report questionnaires, and of data (n = 229) retrieved from the university ’ s study register. The results revealed that the sub-processes of SRL: motivational and affective components, regulation strategies and learning strategies are systematically related with each other. In addition, motivational and affective factors, especially Intrinsic motivation predicted the use of strategies regulating behaviour and context and the use of learning strategies. Study success correlated slightly positively with accumulation of credits indicating that students with better grades proceed efficiently in their studies. Yet, accumulation of credits was evidenced to relate slightly and negatively with expectancy components of SRL and the use of deep learning strategies. Finally, three student profiles in SRL were encountered: (1) Aiming high with insufficient SRL, (2) Excellent in SRL, and (3) Distressed performers. Educational implications and the needs for future research 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 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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».