Boosters can enhance motivation treatment efficacy in achievement settings by reducing negative emotions
Notice bibliographique
Résumé
Novel, unpredictable learning conditions encountered during school-to-college transitions undermine students’ personal (agentic) control, emotional resilience, and performance (Perry, 2003, 2005; Schneider & Preckel, 2017). Though motivation treatments can offset these perils in achievement settings (Perry et al., 2014), boosting motivation-treatment efficacy remains largely unexamined. In an online, two-semester introductory course, a cognitive-reframing Booster (vs. no-Booster) was administered in Semester 1, after an empirically valid motivation intervention to assess Booster benefits for students’ Semester 2 academic development (N= 911). Booster effects were assessed using ANCOVA, Moderated Multiple Regression (MMR), and path-analytic procedures. The Semester 1 Booster attenuated Semester 2 negative achievement emotions, stress, and course withdrawals, and increased course grades. MMR analyses revealed further Semester 2 Booster effects arising from students’ low perceived academic control and low performance starting Semester 1. Path analyses indicated that attenuated negative emotions mediated Booster-grades direct effects. These results advance the motivation-treatment literature by showing that cognitive-reframing boosters increase treatment efficacy in line with Weiner’s (1985, 2014, 2006, 2018) theory governing attribution-based emotion-motivation linkages.
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) | 0,000 | 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) | 0,001 | 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 ».