A CLOSER LOOK AT GRIT AND LANGUAGE MINDSET AS PREDICTORS OF FOREIGN LANGUAGE ACHIEVEMENT
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
Abstract Learning a second/foreign language (L2) is a long process and L2 learners certainly will encounter setbacks and discouragements during this process. However, their reactions to these failures might be different based on their perceptions of L2 learning ability and their subsequent effort put into L2 learning. Based on this, the present study aimed at exploring two underresearched constructs within the field of applied linguistics, namely grit (continuous effort and interest for long-term goals) and language mindset (individuals’ perceptions of their language learning ability). We had five main aims: to examine (a) the factor structure of grit, (b) the factor structure of language mindset, (c) whether there are gender differences in grit or language mindset, (d) the relationships between language mindset and grittiness, and (e) the roles of grit and language mindset as predictors of L2 achievement. To address these aims, a total number of 1,178 university students who were taking general English courses took part in our study and completed the questionnaires. Results of confirmatory factor analysis indicated that the two-factor structure for both grit and language mindset fit the data better than the single-factor structure. We also tested several structural equation models and found that a growth language mindset weakly, but positively, predicted one component of grit (perseverance of effort, or POE), but not the other (consistency of interest, or COI). A fixed language mindset did not predict POE, but did negatively predict COI. Finally, only growth language mindset was a weak, positive predictor of L2 achievement. At the end, theoretical and pedagogical implications regarding the role of grit and language mindset in L2 learning are presented.
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 | 0,000 | 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 découle