Assessing young children’s self-regulation in school 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
Self-regulation describes how individuals assess and adapt to demands within and across environments. Research accumulated over the past quarter century identifies self-regulation as a powerful predictor of children’s school success. However, studying young children’s self-regulation in school is challenging. Tools that are easy and efficient to administer, closely linked to curriculum and learning in classrooms, and that do not require self-reports from children are needed. Here we report on the development and validation of the Self-Regulation In School Inventory (SRISI), a teacher-report tool designed to assess typically developing young children’s self-regulation in school. Then, we present data from the SRISI that shows how different targets of self-regulation in school were related to one another, school adjustment, child gender, and achievement. Data were gathered from 28 teachers who provided ratings of 307 kindergarten children’s (age range = 4.96–6.61 years old) self-regulation using the SRISI. An exploratory factor analysis on the SRISI items distinguished three targets of self-regulation in school: ‘Emotion Regulation’, ‘Self-Regulation of/for Learning’ and ‘Socially Responsible Self-Regulation’. Path analysis confirmed the relationship between child gender and ER and SRSR, and between SRL and achievement. Findings are situated within a larger discussion concerning the assessment of young children’s self-regulation in school.
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 | 0,005 | 0,005 |
| 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 | 0,001 |
| 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