Numeracy and Health Numeracy Among Chinese and Kenyan Immigrants to Canada
Notice bibliographique
Résumé
Mathematics self-efficacy plays an important role in the performance of quantitative tasks. The objective of this study was to examine the role of mathematics self-efficacy in numeracy and health numeracy among immigrants (60 Mandarin-speaking and 60 Kikuyu-speaking immigrants to Canada) for whom English was a second language (ESL). Two French Kit numeracy tasks (the addition, and the addition and subtraction correction tasks) constituted objective measures of numeracy, and the numeracy component of a health literacy instrument (The Short Test of Functional Health Literacy for Adults [S-TOFHLA]) constituted the health numeracy measure. We measured math self-efficacy using the Mathematics Self-Efficacy Scale (MSES) and the Subjective Numeracy Scale (SNS). All measures were presented in English. Kikuyu speakers had lower math self-efficacy ( p < .05) compared with Mandarin speakers ( p < .05). Mandarin speakers outperformed Kikuyu speakers in numeracy ( p < .001) and health numeracy ( p < .023) skills. In multiple regression analyses, 32% to 57 % of the variance in objective numeracy was explained by language, residency in Canada, and self-efficacy, adjusting for the other predictor variables; self-efficacy and format of numeric health information (numbers only vs. numbers with detailed text) consistently predicted health numeracy. Mathematics self-efficacy may be an important factor in numeracy, but not as important in health numeracy for Kikuyu- and Mandarin-speaking immigrants for whom English is a second language. Factors contributing to low numeracy may differ from those explaining low health numeracy in ESL immigrants.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».