Binary Logistic Regression Analysis of Teacher Self-Efficacy Factors Influencing Literacy and Numeracy
Notice bibliographique
Résumé
This paper discusses the teacher efficacy factors contributing to student achievement in literacy and numeracy in 105primary schools within Sibu division, Sarawak, Malaysia. The study observed high levels of practice for teacherefficacy. The t-test and one-way analysis of variance (ANOVA) were used to analyze the differences between gender,teaching experience and academic qualification. The study reported significant differences in respondent perceptionsbased on teaching experience. Here, the post hoc Tukey test revealed that efficaciousness grows with years of teachingexperience. A correlation test observed a significant relationship between the independent variable with studentachievement in literacy. Binary logistic regression was applied to predict the influence of teacher efficacy on literacyand numeracy. The findings revealed that a dimension of teacher self-efficacy – efficacy in student engagement -emerged as the best predictor for student achievement for English literacy (LBI). The result indicated that for every1-point increase in the self-reported efficacy for student engagement, the school was .014 times less likely to achieve100% literacy rate for LBI. In conclusion, the teacher’s self-efficacy in student engagement had a negative influence onthe mastery of basic literacy for the English language, hence necessitating a closer inspection of the variable within thecontext of LINUS2.0. However, more comprehensive studies are needed to ascertain its consistency as well asinvestigating positive predictors for literacy.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».