Self-regulated learning predicts final grades in varsity student-athletes, but is there more than meets the eye?
Notice bibliographique
Résumé
Self-regulated learning (SRL) involves implementing goal-directed processes of self-awareness and control in pursuit of learning goals. SRL relates to achievement in several domains, but the relative value of domain-specificity in measurement remains unclear. This study examined the relationship between SRL and academic performance among incoming university student-athletes, while comparing measures varying in domain-specificity. Two cohorts (2017, 2020) of participants (N = 114; M-age = 19.2, SD = 1.0) completed two SRL surveys mid-year: (a) the Self-Regulation of Learning Self-Report Scale (SRL-SRS; Toering et al., 2012), a more dispositional measure from sport research; and (b) the Regulation of Learning Questionnaire (RLQ; McCardle & Hadwin, 2015), a more situational measure from education research. Linear regression was used to assess and compare prediction of end-of-term grades. When subscales from each survey were block entered separately, the SRL-SRS (R-squared = .193, p = .001) and the RLQ (R-squared = .192, p .100). Each survey still significantly predicted grades after controlling for cohort (SRL-SRS: p = .007; RLQ: p = .009). Findings suggest (a) dispositional and situational SRL measures similarly predicted student-athletes' academic success, (b) SRL sub-processes behave synergistically, and (c) SRL is influenced by a cohort's broader learning context.Acknowledgments: This project is supported in part by funding from the Social Sciences and Humanities Research Council of Canada.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».