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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».