Incorporating Learning Motivation and Self-Concept in Mathematical Communicative Ability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p class="apa">This research is trying to determine of the mathematical concepts, instead by integrating the learning motivation (X<sub>1</sub>) and self-concept (X<sub>2</sub>) can contribute to the mathematical communicative ability (Y).</p><p class="apa">The test instruments showed the following results: (1) simple regressive equation Y on X<sub>1</sub> was <em>Ŷ</em> = 32.891 + 0.43X<sub>1</sub>, simple linier regressive test Y on X<sub>1</sub> was F<sub>cal</sub> = 1.272&lt; F<sub>tab</sub> = 1.897 and pertained to linear regression at significant level of 5%, (2) simple regressive equation Y on X<sub>2</sub> was <em>Ŷ</em> = 33.68 + 0.44X<sub>2</sub>, simple linear regressive test Y on X<sub>2</sub> was F<sub>cal</sub> = 0.616&lt; F<sub>tab</sub> = 1.897 and pertained to linear regression at significant level of 5%.</p><p class="apa">The data analysis of the variable correlation could be seen as follows: (1) learning motivation (X<sub>1</sub>) with mathematical communicative ability (Y) was r<sub>cal</sub> = 7.730&gt; r<sub>tab</sub> = 4.020 indicated the positive correlation at significant level of 5%, (2) self-concept (X<sub>2</sub>) with mathematical communicative ability (Y) was r<sub>cal</sub> = 8.375&gt; r<sub>tab</sub> = 4.020 showed the positive correlation at significant level of 5%.</p><p class="apa">The result of this study is that there was a positive relationship between learning motivation (X<sub>1</sub>) and mathematical communicative ability (Y), and also self-concept (X<sub>2</sub>) and mathematical communicative ability (Y).</p>
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.
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 | 0,010 |
| 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 découle