Perfectionism and L2 Achievement: The Mediating Roles of Motivation and Self-Regulated Learning Among Iranian High School Students
Notice bibliographique
Résumé
The current study investigated how perfectionism can be related to L2 learners’ achievement with motivation and two aspects of self-regulated learning as possible mediators. This study also evaluated the factor structure of the Big Three Perfectionism Scale (BTPS) in an Iranian sample. The participants were 495 Iranian high school students who completed six BTPS sub-scales and measures of self-determined motivation and self-regulated learning. Psychometric analyses indicated that rigid perfectionism and self-critical perfectionism as two higher order factors have construct validity. Structural equation modeling indicated that rigid perfectionism positively predicted L2 achievement, while self-critical perfectionism negatively predicted L2 achievement. Mediational models indicated that neither autonomous-mastery/performance motivation nor controlled motivation mediated the path from perfectionism to L2 achievement. However, both aspects of self-regulated learning, namely, deep learning and persistence could mediate the relationship between perfectionism and L2 achievement. Specifically, higher levels of rigid perfectionism were positively related to deep learning and persistence that, in turn, were related to higher L2 achievement. In contrast, self-critical perfectionism was negatively related to deep learning and persistence, that, in turn, were related to lower L2 achievement. The results are discussed in terms of the practical implications for L2 teachers and parents.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».