Why do I teach? Teachers' instrumental and prosocial motivation predict teaching quality across East and West
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Individuals pursue teaching careers for numerous reasons, such as for instrumental or prosocial purposes. AIMS: This study examined the personal (instrumental motivation) and social (prosocial motivation) utility of teaching as predictors of teaching quality in terms of clarity of instruction, classroom management, and cognitive activation. SAMPLE: We used data from the Teaching and Learning International Survey (TALIS) 2018, which included 50,595 teachers from 1252 schools in 10 countries and regions. METHODS: We performed a series of regression analyses to test a model of instrumental and prosocial motivation to predict three indicators of teaching quality (clarity of instruction, classroom management, and cognitive activation) while controlling for demographic characteristics (age, sex, educational level, and teaching experience). We examined this model in countries and regions from Eastern (Japan, Korea, Singapore, Shanghai and Taipei) and Western (Australia, Canada, New Zealand, United Kingdom and the United States of America) cultures. RESULTS: Results demonstrated that instrumental motivation predicted clarity of instruction in the East and classroom management in both the East and West; prosocial motivation, however, was a more consistent predictor of all indicators of teaching quality, except classroom management in the West, across cultures. CONCLUSION: Teachers' prosocial motivation to benefit others and contribute to society must be considered to understand teaching quality across various cultural contexts. Implications for theory, practice and policy are discussed.
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.
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 découle