Barriers to twice-exceptional student engagement during COVID-19: A case-study of factors affecting school engagement
Notice bibliographique
Résumé
In spring 2020, K-12 schools suspended in-person classes due to the COVID-19 pandemic. Schools reopened in-person classes in the fall. Many parents were concerned about the impact of school closures and subsequent re-entry on childrens’ school engagement. Previous literature suggests high engagement in school prevents dropping-out, leads to better grades, and is related to lower depression rates. Some students face unique challenges that may result in lower school engagement, such as twice-exceptional (2E) students. 2E refers to individuals who are both gifted and face some type of learning challenge. A strengths-based approach is suggested as most effective for improving 2E student outcomes. In this approach, material is presented in a way that aligns with students’ talents and interests. In addition to learning challenges impacting engagement, external factors, such as caregiver stress, may also impact student engagement. The COVID-19 pandemic has increased stress for many caregivers. In this study, we investigated whether a strengths-based approach was associated with higher engagement in 2E students. Students’ strengths were assessed and compared to tasks planned by their teachers. Students’ engagement during these tasks was then observed by the research team. Further, we explored the relationship between caregiver stress and student engagement using surveys collected in parallel with student observations. This study was designed to serve as a pilot study for future research on factors related to engagement. Preliminary findings provide weak support that higher task-strength alignment is positively associated with student engagement and that higher caregiver stress is negatively associated with student engagement. Department: Psychology Faculty Mentor: Michele Moscicki
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 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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».