Looking into the dark-side of the incremental theory: when incremental worldviews hurt
Notice bibliographique
Résumé
What happens when one has repeatedly persisted at a task, but with all efforts met \n with disappointment? Does this mean that one has purely not expanded a sufficient amount of \n effort? How do we qualify or measure the “right” amount of effort? Can we even qualify and \n measure the “right” amount of effort? And when exactly are we finally satisfied with the \n amount of effort we expand, or does this amount of effort not reached so long as we do not \n achieve our goals? This project aims to explore how the rigid association between effort and \n success in some versions of incremental thinking can lead people astray: When the absence \n or lack of effort is attributed unjustifiably to failures (e.g. poor grades, unable to achieve an \n important life goal). In this study, we compared two different cultures – East Asians and \n North Americans – on how they differed from each other in two different scenarios – \n average-effort and exceptional-effort. Participants were recruited from Singapore (n=89) \n and Canada (n=319) respectively. Results that are consistent with existing literature includes \n the more intense negative and fear affect experienced by Canadians in comparison to \n Singaporeans, as well as the negative correlation between grit and goal disengagement. This \n study aims to look at the dark side of the incremental theory despite having existing literature \n champion its advantages in various learning approaches. We have also included a section on \n implications, limitations and future directions.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».