Investigation of the Predictive Power of Academic Achievement, Learning Approaches and Self-Regulatory Learning Skills on University Entrance Exam Scores Using Path Analysis
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
A good analysis of the success factors in the university entrance exam, which is an important step for academiccareers of students, is believed to help them manage this process. Properties such as self-regulation and learningapproaches adopted by students undoubtedly influence their academic achievement as well as their success inuniversity entrance exams. However, it is not exactly known how the direct and indirect relations between thesevariables are, and which variable has more effect on success. This research aims to determine the extent to whichuniversity entrance exam score as dependant variable; and academic achievement, deep, surface and strategiclearning approaches, four sub-dimensions of self-regulatory learning skills scale as independent variables to predictuniversity entrance exam score directly and indirectly; to this end, a path model was developed. Within the scope ofthe research, the data obtained from 445 students in the 4th class of the state-affiliated high schools in the 2016-2017academic year were used. As a result of the research, the most important factor affecting the success of universityentrance exam was found to be diploma grade; while diploma grades raise by using deep learning approaches, theyfall by using surface learning approaches. It was detected that the use of the strategic learning approach reducesuniversity entrance exam scores.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle