Examining the Motivational Climate and Student Effort in Professional Competency Courses: Suggestions for Improvement
Notice bibliographique
Résumé
The attainment of professional competencies leads to essential skills for successful and employable veterinarians. However, the inclusion of professional competencies in veterinary curricula is often underdeveloped, and it is sometimes less appreciated by students than the science/technical skill curricula. The aim of this study was to better understand students' motivation within professional competency courses (PC courses) by (a) comparing students' motivational perceptions in PC courses to those in science/technical skill courses (ST courses), (b) determining the extent to which students' motivational perceptions predict their course effort, and (c) identifying teaching strategies that could be used to improve PC courses. Participants included students from eight courses enrolled in their first or second year of a veterinary college at a large land-grant university in the United States. A partially mixed concurrent dominant status research design was used to collect quantitative and qualitative data. Students completed closed- and open-ended survey items regarding their effort and the motivational climate in their courses. Compared to ST courses, students put forth less effort in PC courses; rated PC courses lower on empowerment, usefulness, and interest; and had higher success expectancies in PC courses. Although students' perceptions of empowerment, usefulness, interest, and caring were significantly correlated with their effort, interest was the most significant predictor of effort in both PC and ST courses. Based on students' responses to the open-ended questions, specific motivational strategies are recommended to increase students' effort in PC courses, such as intentionally implementing strategies to increase students' interest and perceptions of usefulness and empowerment.
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 | 0,034 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».