Students’ Perspective on the Emotional Intelligence of Teachers on Student Engagement
Notice bibliographique
Résumé
Student Engagement has emerged as a central theme in the context of Higher Education in recent years. Thus, there is great consent towards it. Due to several factors, undergraduates are diverted and disengaged consequently, especially the state universities of Sri Lanka currently experiencing this issue. Even there are many factors impact student engagement. This study explored the significance of teachers with their emotional intelligence competencies for getting student engagement. University students prefer to take student-centered teaching where it is possible if only teachers are ready and capable to take account of students' interests, needs, and perspectives on adaptation with their teaching approach. Having understood the phenomenon above, the current study designed to investigate the impact of the emotional intelligence of teachers in higher education on student engagement based on students’ perspectives. This is an explanatory study that the data collected from the sample of 1455 undergraduates selected from the state universities in Sri Lanka on which stratified random sampling method was adopted. Finding reveals that students are engaged but not actively and as per the students’ point of view lecturers are just good rather excellent enough on emotional intelligence competencies. However, there is a strong positive relationship as well as have a significant positive impact of emotionally intelligent teachers of higher education on student engagement. Ultimately it is concluded that higher education teachers require to expand the substantial amount of skill on emotional intelligence. Further, then active student engagement can be ensured.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».