Language-specific grit: exploring psychometric properties, predictive validity, and differences across contexts
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.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».