Revisiting the academic self‐concept transcultural measurement model: The case of Spain and China
Notice bibliographique
Résumé
BACKGROUND: Modelling academic self-concept through second-order factors or bifactor structures is an important issue with substantive and practical implications; besides, the bifactor model has not been analysed with a Chinese sample and cross-cultural studies in the academic self-concept are scarce. Likewise, latent structure validity evidence using network psychometrics has not been carried out. AIMS: The aim of this study is twofold: to analyse (1) the internal structure of ASC through the Self-Description Questionnaire II-Short (SDQII-S) in Chinese and Spanish samples using two approaches, structural equation modelling and network psychometrics conducting an exploratory graph analysis; and (2) the measurement invariance of the best model across countries and investigate the cross-cultural differences in ASC. SAMPLE: The sample was composed by 651 adolescents. Seven models of ASC were tested. RESULTS: Results supported the multi-dimensional nature of the data as well as the reliability. The best-fitted model for the two subsamples was the three-factor ESEM model, but only the configural invariance of this model was supported across countries. The graph function shows that the school dimension appears more related to the verbal factor in the Spanish subsample and to the math dimension in the Chinese subsample. Likewise, the relationship between verbal and math factors in Spanish students is non-existent, but this connection is more relevant for Chinese students. CONCLUSION: These two differences may be behind the difficulty in finding invariance using SEM models. It is a question of the construct's nature, less related to analytical phenomena, and deserves deeper discussion.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».