Maintaining Effort and Interest despite Challenges during the COVID-19 Pandemic: A Process Tracing Approach to a Teacher’s Grit during an Online L2 Course
Notice bibliographique
Résumé
Grit—the ability to maintain effort and interest for long-term goals—is argued to be an important individual factor for achievement, especially in the face of obstacles. However, little research has examined the possible fluctuations of effort and interest and how challenges may trigger the changes of effort and interest. In this study, we measured a teacher’s grit at the beginning of an online course during the COVID-19 pandemic, and we focused on the changes in a teacher’s effort and interest throughout the course. In this case study we unpacked the explanations of possible changes in grit via process tracing. Despite the fact that the teacher scored high on the grit scale, we found that the sudden shift from in-person to online teaching had put much pressure and demand on the teacher. The new teaching challenge influenced the teacher’s self-evaluation of their teaching performance and students’ engagement, which led to changes in effort and interest. Therefore, we argue that one’s average grit (e.g., measured by grit scale) cannot be the representation of their ability to maintain interest and effort on different occasions due to the influence of different situational causes or pressure. Specifically, during the course, the teacher’s effort and interest underwent changes on four occasions, characterized by four distinct dynamic patterns in terms of the interaction of high and low interest and effort. The four emerging patterns of L2 teacher effort and interest indicate that the construct of grit could be explained in terms of four dynamic clusters or archetypes. This study provides implications for understanding the complex dynamic nature of grit, which can be further explored through cluster analytic approaches in future studies.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».