A longitudinal analysis of students’ motivational characteristics in introductory physics courses: Gender differences
Notice bibliographique
Résumé
The lack of diversity and the under-performance of underrepresented students in STEM courses have been the focus of researchers in the last decade. In particular, many hypotheses have been put forth for the reasons for the under-representation and under-performance of women in physics. Here, we present a framework for helping all students learn in science courses that takes into account four factors: (1) the characteristics of instruction and learning tools, (2) student characteristics, (3) implementation of instruction and learning tools, and (4) the students’ environments. While there has been much research on factor 1 (characteristics of instruction and learning tools), there has been less focus on factor 2 (students’ characteristics, and in particular, motivational factors). Here, we focus on the baseline characteristics of introductory physics students obtained from survey data to inform factor 2 of the framework. A longitudinal analysis of students’ motivational characteristics in two-semester introductory physics courses was performed by administering pre- and post-surveys that evaluated students’ self-efficacy, grit, fascination with physics, value associated with physics, intelligence mindset, and physics epistemology. We found that female students reported lower levels of self-efficacy, fascination, and value associated with physics, and held a more “fixed” view of intelligence in the context of physics compared to male students. Female students’ fascination and value associated with physics decreased significantly more than males’ after an introductory physics course sequence. In addition, females’ view of physics intelligence became more “fixed” compared to males’ by the end of an introductory physics course sequence. Grit was the only factor on which females reported averages that were equal to or higher than males throughout introductory physics courses. The findings inform the framework and have implications for the development and implementation of effective pedagogies and learning tools to help all students learn.
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 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».