Effects of self-controlled learning on self-efficacy and intrinsic motivation
Notice bibliographique
Résumé
Motor learning is enhanced by providing learners with control over aspects of their practice conditions (Janelle et al., 1997). However, the underlying mechanisms responsible for these learning effects remain unclear. The purpose of this research was to examine whether self-efficacy and intrinsic motivation help to explain the benefits of self-controlled learning. Participants were given the control to schedule their self-observation video feedback while learning double-mini trampoline progressions. Participants were assigned to a self-control group (n = 15) or yoked group (n = 15). Data collection consisted of two days of acquisition followed by a retention phase 24 hours later. A self-efficacy scale was administered at each acquisition and retention day. Four subscales from the Intrinsic Motivation Inventory (IMI) were measured at the conclusion of each day. Self-efficacy scores for the self-control and yoked group did not significantly differ. When combining the four subscales of the IMI, results revealed a main effect for group, F(1, 28) = 11.41, p = .002, ?2 = .903, with the self-control group feeling more intrinsically motivated to perform the progressions compared to the yoked group. Significant differences were in fact found between the self-control and yoked group for each of the four subscales. Findings suggest that a self-controlled learning environment fosters greater intrinsic motivation. Discussion will focus on the practical implications of these findings.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».