Economic disadvantage and math achievement: The significance of perceived cost from an evolutionary perspective
Notice bibliographique
Résumé
BACKGROUND: Children growing up in poverty tend to perform worse in school than their more economically advantaged peers. AIMS: The current study integrates an educational theory of motivation and an evolutionary theory of life history strategies to examine how economic disadvantage predicts children's mathematics achievement through their academic beliefs and values. SAMPLE: = 12.88) in a large metropolitan city in the United States. METHODS: Economic disadvantage was assessed via school reports of the student being eligible to receive free or reduced-price lunch during the 2014-2015 school year (i.e., at or below 185% of the federal poverty line). Students reported on their perceived interest, usefulness, and cost of learning mathematics during the first half of the 2015-2016 school year (August to December). Mathematics achievement for both school years was assessed via school reports of mathematics grades. RESULTS: Children receiving free or reduced-price lunch showed higher perceived cost of learning mathematics, and this in turn predicted changes in mathematics achievement over time, indirect effect = -0.57, 95% CI (-0.97, -0.23). However, neither interest nor perceived usefulness or ability in mathematics mediated the association between economic disadvantage and changes in mathematics achievement. CONCLUSIONS: Results underscore the potential for interventions to target students' perceived cost of learning as a way to increase school engagement, particularly among disadvantaged students.
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 | 0,000 | 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 | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».