Testing intersectionality of race/ethnicity × gender in a social–cognitive career theory model with science identity.
Notice bibliographique
Résumé
Using social-cognitive career theory, we identified the experiential sources of learning that contribute to research self-efficacy beliefs, outcome expectations, and science identity for culturally diverse undergraduate students in science, technology, engineering, and math (i.e., STEM) majors. We examined group differences by race/ethnicity and gender to investigate potential cultural variations in a model to explain students' research career intentions. Using a sample of 688 undergraduate students, we ran a series of path models testing the relationships between the experiential sources, research self-efficacy beliefs, outcome expectations, and science identity to research career intentions. Findings were largely consistent with our hypotheses in that research self-efficacy and outcome expectancies were directly and positively associated with research career intentions and the associations of the experiential sources to intentions were mediated via self-efficacy. Science identity contributed significant though modest variance to research career intentions indirectly via its positive association with outcome expectations. Science identity also partially mediated the efficacy-outcome expectancies path. The experiential sources of learning were associated in expected directions to research self-efficacy with 3 of the sources emerging as significantly correlated with science identity. An unexpected direct relationship from vicarious learning to intentions was observed. In testing for group differences by race/ethnicity and gender in subsamples of Black/African American and Latino/a students, we found that the hypothesized model incorporating science identity was supported, and most paths did not vary significantly across four Race/Ethnicity × Gender groups, except for 3 paths. Research and practice implications of the findings for supporting research career intentions of culturally diverse undergraduate students are discussed. (PsycINFO Database Record (c) 2019 APA, all rights reserved).
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».