L2 Anxiety, Self-Regulatory Strategies, Self-Efficacy, Intended Effort and Academic Achievement: A Structural Equation Modeling Approach
Notice bibliographique
Résumé
Factors that contribute to learning achievement have always been a primary research concern in the field of education. In the field of second/foreign language (L2) learning, researchers have been trying to explore many important factors that are linked to successful learning and how these factors may predict the success of language learning. With respect to the factors contributing to language proficiency, many researchers endeavor themselves to the exploration of assisting the learners. The present study aims to explore whether or not the following factors would influence learners’ academic achievement: the process of goal-setting, the L2 anxiety, the effort the learners put into, self-efficacy together with self-regulatory strategies. A total number of 356 senior high school students who were learning English as a Foreign Language participated in the study. A new questionnaire was developed to measure and collect the participants’ responses in respect to the above-mentioned learning factors. In order to investigate the relationships among these factors and the learners’ academic performance, the structural equation modeling (SEM) was used to identify the best fit model. It was found that self-efficacy, L2 anxiety, together with goal-setting processes, are prerequisites for the application of effective self-regulatory strategies, which in turn play an important role in affecting the intended efforts the learners make, and consequently influence the learners’ achievement. According to the findings, we suggest the teacher elevate the students’ self-efficacy, lower the L2 anxiety, help set their learning goals, cultivate their capability of employing strategies and increase their intended effort.
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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».