Do Self-Regulated Learning Practices and Intervention Mitigate the Impact of Academic Challenges and COVID-19 Distress on Academic Performance During Online Learning?
Notice bibliographique
Résumé
The COVID-19 pandemic introduced significant disruptions and challenges to the learning environment for many post-secondary students with many shifting entirely to remote online learning. Barriers to academic success already experienced in traditional face-to-face classes may be compounded in the online environment and exacerbated by stressors related to the pandemic. In 2020–2021, post-secondary institutions were faced with the reality of rolling out fully online instruction with limited access to resources for assisting students in this transition. Instructional interventions that target students’ ability to self-regulate their learning have been shown to improve academic performance and self-regulated learning (SRL) competencies have also been found to mediate the effect of SRL interventions on higher education. However, few studies have examined the efficacy of fully online SRL intervention on mitigating the impact of psychological distress and academic challenges on academic success. This study examined the moderating roles of self-regulatory practices and SRL intervention in buffering the influence of COVID-related psychological distress and academic challenges on academic outcomes (self-reported grade point average (GPA) and academic challenges) in a Canadian sample of undergraduate students ( n = 496). We found (a) levels of metacognitive and motivational challenges fully mediated the impact of COVID distress on GPA, (b) SRL adapting practices moderated the impact of metacognitive challenges on GPA, and (c) semester-long SRL intervention buffered the impact of COVID distress on academic challenges and resulted in lower levels of social-emotional, cognitive, and metacognitive challenges for first year undergraduate students.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 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 ».