A study of mindset: better understanding the structure of mindset and how growth mindset interventions are delivered
Notice bibliographique
Résumé
Mindsets (MS) (i.e., beliefs about the malleability of traits) exist in many diverse domains, such as intelligence, creativity, emotions, and anxiety. With such a diversity of mindset domains, it is reasonable to question whether a general underlying factor influences all mindsets similarly. For example, if one believes intelligence is malleable, does one also believe creativity, musical ability, and athletic ability are malleable? In study 1, we conducted factor analysis on nine self- report mindset measures to determine if a general mindset factor exists. The nine mindsets studied clustered into three underlying factors: 1) Skills (intelligence, creativity, musical and athletic ability); 2) Personality (personality and morality); and 3) Emotions (emotions and anxiety). Stress did not load onto any of the three factors. In addition, we investigated ways to improve the efficacy of growth mindset interventions. Though growth mindset interventions show positive outcomes, the effect sizes are generally small. Actively engaging in material by applying the information to one’s life, or teaching others, improves retention of that material over passively listening to the material being taught. In study 2, we sought to determine whether an active vs. passive growth mindset intervention is more effective for improving exam scores. We found no significant difference in exam score improvement between the control, active, or passive groups. It is possible that the active intervention was not engaging enough to alter one’s mindset beliefs in only one exposure. Targeting general mindset factors rather than individual mindset domains may improve intervention efficacy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».