Students’ Attitudes Towards Learning, A Study on Their Academic Achievement and Internet Addiction
Notice bibliographique
Résumé
Examining attitudes of students towards learning, their academic achievements and internet addictions is the mainfocus of this study. With the institution permission obtained from the Provincial Directorate of National Education ofİstanbul Governorship dated: 21.04.2016 and No: 59090411-20-E.4519158, a descriptive study in relationalscreening model was conducted. By evaluating the data of 355 students (158 male and 176 female), from 370students studying in the 9th, 10th, and 11th grades attending public high schools in the region of Kadıköy, İstanbulduring 2015-2016 academic year the outcome results were obtained. "Personal Information Form", "AttitudesTowards Learning" and “Computer Addiction for Adolescents” scales were used in order to collect research data. Byanalyzing the data with t test, one-way variance analysis (ANOVA) and correlation statistical research techniques inthe SPSS 22.0 program, findings were obtained. A significance level of 0.05 was taken as the basis in the appliedstatistics. As per the findings, a difference was found in terms of internet addiction according to gender, academicachievement, homework habits, family activity frequency variables. Furthermore, a negative relationship was foundaccording to the correlation analysis result between students' attitudes towards learning and internet addiction. Inconclusion, in the light of the the research findings, it is possible to express that differentiation of students' attitudestowards learning can support effective and efficient use of information technologies. However, the negativedifferentiation of the attitudes towards learning can generate Internet addiction as a result of inefficient use of theinformation technologies.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».