A Review of Self-Regulated Learning and Self-Efficacy: The Key to Tertiary Transition in Science, Technology, Engineering and Mathematics (STEM)
Notice bibliographique
Résumé
The ability to distinguish between effective and ineffective study strategies based on feedback is of utmost importance for secondary school leavers transitioning to tertiary education (Brinkworth et al., 2009; Salisbury & Karasmanis, 2011). Often accompanying this learning environment transition is academic difficulty and an increased possibility of failure, and it is therefore essential for undergraduate students, in particular those studying the disciplines of Science, Technology, Engineering and Maths (STEM), to establish a solid repertoire of learning strategies early in their academic career. Self-regulation is a key component of learning that can be fostered to encourage a successful transition from secondary school to university (Vosniadou, 2020). Self-regulated learning refers to learning that is fostered by one’s metacognition, strategy adaptability, and motivation. Of these constructs, metacognition is fundamental, as having self-awareness allows one to identify the requirement for corrective action in the learning process, allowing learners to monitor their behaviour and reflect on the success of their learning strategies, where the motivation to do this should lead to strategy adaptation. In addition, students must make accurate self-efficacious judgements about their learning in order to evaluate the effectiveness of their learning strategies or to decide when they have sufficiently completed a learning task. Therefore, in order to develop a means of improving students’ transition from secondary school to university, one must first appreciate the impacts of self-regulated learning and self-efficacy on academic performance. This review aims to focus on self-regulated learning and self-efficacy, of which self-regulated learning is a construct of metacognition, motivation and strategy adaptability. This review will also evaluate self-regulated learning with an emphasis on Zimmerman’s model, the calibration of self-efficacy, and how students might break the cycle of poor learning with a focus on STEM.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».