MétaCan
Menu
Retour à la cohorte
Enregistrement W4322768167 · doi:10.1080/00220973.2023.2183375

Investigating the Role of Academic, Social, and Emotional Self-Efficacy in Online Learning

2023· article· en· W4322768167 sur OpenAlexaff
Sungjun Won, Meg Kapil, Brodie J. Drake, Rikka A. Paular

Notice bibliographique

RevueThe Journal of Experimental Education · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésSelf-efficacyPsychologyAcademic achievementPath analysis (statistics)Coronavirus disease 2019 (COVID-19)Social psychologyDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

Despite increased social and emotional challenges in online learning during the COVID-19 pandemic, little attention has been paid to students’ social and emotional self-efficacy beliefs. The present study investigated university students’ (N = 268) academic, social, and emotional self-efficacy beliefs as predictors of their academic achievement, sense of belonging, and well-being in online learning during the pandemic. We first evaluated the factor structure of the three types of self-efficacy. Results revealed that academic, social, and emotional self-efficacy beliefs were related yet distinct constructs. In the path model, gains in academic self-efficacy positively predicted students’ academic achievement, whereas social self-efficacy and emotional self-efficacy positively predicted students’ sense of belonging and well-being, respectively. In addition, students’ mastery experience emerged as a significant predictor of longitudinal changes in academic self-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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,580
Score d'incertitude au seuil0,161

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,470
Écart entre enseignants0,389 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Experimental EducationMême sujetCOVID-19 and Mental HealthTravaux en français237 207