Language-specific grit: exploring psychometric properties, predictive validity, and differences across contexts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
‘Grit’ has been identified as an important predictor of success in a number of academic and non-academic domains (Duckworth, A. L., C. Peterson, M. D. Matthews, and D. R. Kelly. 2007. “Grit: Perseverance and Passion for Long-Term Goals.” Journal of Personality and Social Psychology 92: 1087–1101. doi:10.1037/0022-3514.92.6.1087). The present study responds to calls to examine language-specific (L2) grit. We investigated the factor structure of the L2-Grit Scale (Teimouri, Y., L. Plonsky, and F. Tabandeh. in press. “L2 Grit: Passion and Perseverance for Second-Language Learning.” Language Teaching Research, 1–26. doi:10.1177/1362168820921895) and examined the predictive validity of grit and three other individual differences in relation to English proficiency among second and foreign language learners from different countries. Factor analysis revealed a two-dimensional structure of the L2-Grit Scale. However, the correlation between the factors was stronger in the EFL than in the ESL sample. Moreover, the L2 grit subscales had differential predictive validity: Perseverance of Effort was a significant positive predictor of proficiency in the EFL context, while Consistency of Interest was a significant negative predictor in the ESL context. This study represents one of the first inquiries into L2 grit and how it relates to the learning context in particular.
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.
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 | 0,000 | 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 découle