Affect, Motivation, and Engagement in the Context of Mathematics Education: Testing a Dynamic Model of Their Interactive Relationships
Notice bibliographique
Résumé
The present analysis aimed to test the dynamic (interactive) model of affect, motivation, and engagement (Linnenbrink, 2007) in mathematics education with a nationally representative sample. Self-efficacy, self-concept, and mathematics anxiety were indicators of pleasant and unpleasant affect. Intrinsic and extrinsic motivation were indicators of mastery and performance approach. Educational persistence and cognitive activation were indicators of behavioral and cognitive engagement. The 2012 Programme for International Student Assessment (PISA) supplied a sample of 4,978 students from the United States for structural equation modeling. The results indicated that the PISA data overall supported the dynamic model. Specifically, the PISA data completely supported the specification of the relationship between motivation and affect, largely supported the specification of the relationship between affect and engagement, but failed to support the specification of the relationship between motivation and engagement. The PISA data largely supported the specification of the mediation effects of affect on the relationship between motivation and engagement. Keywords: affect; motivation; engagement; mathematics; structural equation modeling La présente analyse visait à tester le modèle dynamique (interactif) de l'affect, de la motivation et de l'engagement (Linnenbrink, 2007) dans l'enseignement des mathématiques avec un échantillon représentatif au niveau national. L'auto-efficacité, le concept de soi et l'anxiété liée aux mathématiques étaient des indicateurs de l'affect agréable et désagréable. La motivation intrinsèque et extrinsèque était des indicateurs de l'approche de la maîtrise et de la performance. La persistance éducative et l'activation cognitive étaient des indicateurs de l'engagement comportemental et cognitif. Le Programme international pour le suivi des acquis des élèves (PISA) de 2012 a fourni un échantillon de 4 978 élèves des États-Unis pour la modélisation des équations structurelles. Les résultats indiquent que les données PISA soutiennent globalement le modèle dynamique. Plus précisément, les données PISA ont complètement soutenu la spécification de la relation entre la motivation et l'affect, ont largement soutenu la spécification de la relation entre l'affect et l'engagement, mais n'ont pas soutenu la spécification de la relation entre la motivation et l'engagement. Les données PISA ont largement soutenu la spécification des effets de médiation de l'affect sur la relation entre la motivation et l'engagement. Mots clés : affect ; motivation ; engagement ; mathématiques ; modélisation par équations structurelles.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».