Modeling Students' Self-Efficacy in Mathematics during the Covid-19 Pandemic
Notice bibliographique
Résumé
Self-efficacy in learning mathematics helps the student to overcome difficulties and challenges in problem-solving during unprecedented times. This article aims to measure the level of students' self-efficacy and its determinants during the COVID-19 pandemic in learning mathematics online. The study considered primary data from 233 students selected in a non-random approach at Visayas State University, Baybay City, Leyte, Philippines through the aid of an online survey. The data were analyzed using some descriptive statistics calculation and regression analysis was used to model the students' self-efficacy and its factors. Results showed that, on average, the students' self-efficacy level is considered "moderate" amidst the pandemic. This means that most of these students are still having mathematical anxiety and experiencing hindrances in achieving good academic performance in mathematics online. The statistical model revealed that the demographic and learning profile of students is not significantly influencing the level of self-efficacy. In addition to that, the mathematics teachers' intervention has shown also an insignificant influence on the students' self-efficacy. In conclusion, students during the pandemic are having difficulty adopting a new type of learning (distant/online) due to their moderate level of self-efficacy. Hence, the study recommends that teachers must make the learning environment exciting and interesting to boost the students' motivation and self-efficacy in doing their mathematics tasks. Furthermore, teachers must give mathematics activities that are suitable and doable for online learning that enhances students' creative thinking.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».