Gender and ethnicity: Are they associated with differential outcomes of a biopsychosocial social-emotional learning program?
Notice bibliographique
Résumé
CONTEXT: Social-emotional learning (SEL) program outcomes may be enhanced when programs take into account gender and ethnicity differences, yet few studies directly examine these variables. The limited literature further suggests improved outcomes accrue by integrating physiological techniques, such as yoga and meditation, directly into SEL curricula to reduce stress. AIMS: This study investigated the association between outcomes of a yogic breath-based biopsychosocial SEL intervention across gender and ethnicity. METHODS: Fifty-nine high school students were evaluated on 4 positive (self-esteem, identity formation, anger coping ability, planning, and concentration) and 3 negative SEL outcomes (impulsivity, distractibility, and endorsement of aggression). Using a repeated-measures design, group differences between gender and ethnicity were assessed. RESULTS AND CONCLUSIONS: Significant improvements on all 7 outcomes were found for the sample, suggesting that participants performed better after the intervention. There were neither significant differences between males and females on outcomes nor between different ethnic groups with the exception of African-Americans scoring lower on one of three emotion regulation outcomes. This study, one of the first to directly analyze SEL outcomes by sociodemographic variables, demonstrated the program's biopsychosocial approach was associated with beneficial SEL outcomes across genders and ethnicities. Future studies of biopsychosocial programs taking into account sociodemographics will allow SEL programs to be more effective across diverse populations.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».