MétaCan
Menu
Retour à la cohorte
Enregistrement W3122439736 · doi:10.5430/ijhe.v10n3p169

A Review of Self-Regulated Learning and Self-Efficacy: The Key to Tertiary Transition in Science, Technology, Engineering and Mathematics (STEM)

2021· review· en· W3122439736 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueInternational Journal of Higher Education · 2021
Typereview
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMetacognitionMathematics educationActive learning (machine learning)PsychologySelf-regulated learningProcess (computing)Adaptation (eye)Cooperative learningAdaptabilityComputer scienceCognitionTeaching methodManagementArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,975
Score d'incertitude au seuil0,489

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,415
Écart entre enseignants0,387 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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