Positive, complicated, distant, and negative: How different teacher‐student relationship profiles relate to students’ science motivation
Notice bibliographique
Résumé
INTRODUCTION: Researchers note a consistent decline in adolescents' motivation and participation in science. It is important to examine factors vital to students' motivation in science, such as teacher-student relationships (TSRs). Limited research in science has examined TSRs from a multidimensional or person-centered perspective. The present investigation adopts Ang's tripartite relational framework to examine three dimensions of TSRs: socio-emotional support, instrumental help, and conflict. Such research is needed to better understand the diversity of relationships that exist within a science classroom and their impact on science motivation. METHODS: = 15.11 years; SD = 0.69). Data were collected via online sampling in the final quarter of 2020. The data are cross-sectional. Latent profile analysis was used to (1) determine if distinct student profiles based on the three dimensions of TSRs existed and (2) the extent to which these profiles were associated with varying levels of science motivation: self-efficacy, intrinsic value, utility value, and cost. RESULTS: Four distinct profiles were identified: Positive, Complicated, Distant, and Negative. Students in the Negative TSR profile reported the lowest adaptive motivation and highest cost. The associations between profile membership and motivation were more varied for the Positive, Complicated, and Distant TSR profiles. CONCLUSIONS: Findings indicate that dichotomous perspectives (positive vs. negative) may be insufficient to describe the diversity of relationships within science classrooms. Results also suggest that concurrent attendance to all dimensions of TSRs is needed to improve relationships.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».