Positive and negative emotions underlie motivation for L2 learning
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
The role of basic emotions in SLA has been underestimated in both research and pedagogy. The present article examines 10 positive emotions (joy, gratitude, serenity, interest, hope, pride, amusement, inspiration, awe, and love) and 9 negative emotions (anger, contempt, disgust, embarrassment, guilt, hate, sadness, feeling scared, and being stressed). The emotions are correlated with core variables chosen from three well-known models of L2 motivation: Gardner’s integrative motive, Clément’s social-contextual model, and Dörnyei’s L2 self system. Respondents came from Italian secondary schools, and most participants were from monolingual Italian speaking homes. They described their motivation and emotion with respect to learning German in a region of Italy (South Tyrol) that features high levels of contact between Italians and Germans. Results show that positive emotions are consistently and strongly correlated with motivation-related variables. Correlations involving negative emotions are weaker and less consistently implicated in motivation. The positivity ratio, that is, the relative prevalence of positive over negative emotion, showed strong correlations with all of the motivation constructs. Regression analysis supports the conclusion that a variety of emotions, not just one or two key ones, are implicated in L2 motivation processes in this high-contact context.
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 | 0,004 |
| 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 | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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