The Motivation Competencies That Count Most: An Online International Study
Notice bibliographique
Résumé
Background: With an online sample of 8,349 people from 123 countries (74.9% from the U.S., Canada, and India), a new test was used to rank eight motivation-related competencies according to how well they predicted desirable, self-reported outcomes. Each of the competencies was derived from empirical studies showing that such competencies were associated with higher levels of motivation. The competencies were: Maintains Healthy Lifestyle, Makes Commitments, Manages Environment, Manages Rewards, Manages Stress, Manages Thoughts, Monitors Behavior, and Sets Goals. Objective: The study was conducted to identify and prioritize competencies that are associated with higher levels of motivation. Methods: A “concurrent study design” was used to assess predictive validity, which was suggested by a strong association between test scores and self-reported answers to criterion questions about levels of motivation, life satisfaction, and professional success. Regression analyses were conducted to prioritize the competencies. Demographic analyses were also conducted. Results: The findings support the value of motivation training; test scores were higher for people who had received such training and were positively correlated with the number of training hours accrued. Effects were found for education, race and age, but no male/female difference was found. Regression analyses pointed to the importance of two of the eight competencies in particular: Sets Goals and Manages Thoughts. Conclusion: The study supports the view that motivation competencies can be measured and trained and that they are predictive of desirable motivational outcomes.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».