Prediction Versus Explanation in Educational Psychology: a Cross-Theoretical Approach to Using Teacher Behaviour to Predict Student Engagement in Physical Education
Notice bibliographique
Résumé
Abstract Educational psychology usually focuses on explaining phenomena. As a result, researchers seldom explore how well their models predict the outcomes they care about using best-practice approaches to predictive statistics. In this paper, we focus less on explanation and more on prediction, showing how both are important for advancing the field. We apply predictive models to the role of teachers on student engagement, i.e. the thoughts, attitudes, and behaviours, that translate motivation into progress. We integrate the suggestions from four prominent motivational theories (self-determination theory, achievement goal theory, growth mindset theory, and transformational leadership theory), and aim to identify those most critical behaviours for predicting changes in students’ engagement in physical education. Students ( N = 1324 all from year 7, 52% girls) from 17 low socio-economic status schools rated their teacher’s demonstration of 71 behaviours in the middle of the school year. We also assessed students’ engagement at the beginning and end of the year. We trained elastic-net regression models on 70% of the data and then assessed their predictive validity on the held-out data (30%). The models showed that teacher behaviours predicted 4.39% of the variance in students’ change in engagement. Some behaviours that were most consistently associated with a positive change in engagement were being good role models (β = 0.046), taking interest in students’ lives outside of class (β = 0.033), and allowing students to make choices (β = 0.029). The influential behaviours did not neatly fit within any single motivational theory. These findings support arguments for integrating different theoretical approaches, and suggest practitioners may want to consider multiple theories when designing interventions. More generally, we argue that researchers in educational psychology should more frequently test how well their models not just explain, but predict the outcomes they care about.
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 | 0,037 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».