Students’ Achievement in Math and Science: How Grit and Attitudes Influence?
Notice bibliographique
Résumé
Many recent studies in the field of mathematics and science education have been studying the effect of non-cognitive factors in students’ achievement such as emotions, attitudes, values, beliefs, motivation, anxiety and grit. For example, attitude has been an important area in science education, and there have been many attempts to measure students attitudes to understand why they prefer a specific science subject (Reid; 2006). Zimmerman and Brogan (2015) stated that ‘grit predicts successful performance in a variety of contexts and found to be positively correlated with undergraduate grade average.’ Unfortunately, there are very few attempts if any have been studying the effect of grit on students’ academic achievement in Bahrain. Bahrain is an important economic sector in the Arabic Gulf region; it has very ambitious and competitive developing economical and educational vision. This study aims to find relationships between students’ level of grit and attitudes toward mathematics and science and the academic achievements in Bahrain secondary schools. ‘Grit questionnaire’ was adapted from Duckworth et al. (2007), and was administered to a total of 646 secondary school students. ‘Attitudes toward mathematics’ questionnaire was adapted from TIMSS (2011), and administered to a total of 349 secondary school students. ‘Attitudes toward science’ questionnaire was adapted from TIMSS (2011), and administered to a total of 297 secondary school students. The results showed that grit is positively and significantly correlated to academic achievement in math only, while attitudes towards math and science was positively and significantly correlated to academic achievement in both subjects.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».