Investigating student collaborative problem-solving competency and science achievement with multilevel modeling: Findings from PISA 2015
Notice bibliographique
Résumé
Collaborative problem-solving (CPS) competency is critical for 21st century students. However, reports from the Programme for International Student Assessment (PISA) 2015 have revealed significant deficiencies in this competency among young students globally, indicating a critical need for the cultivation of CPS skills. Therefore, it is essential for educators and researchers to examine the factors that influence CPS competency and understand the potential role of CPS in secondary education. The present study aims to investigate the relationship between collaboration dispositions and students' CPS competency as well as the relationships of CPS competency and inquiry-based science instruction (IBSI) with science achievement using the PISA 2015 data. A total of 408,148 students from 52 countries and economies (i.e., regions) were included in our analysis. Unlike most previous studies that only investigated one country at a time and neglected the multilevel data structure of PISA, this study provided a global view through adopting multilevel modeling to account for the cluster effect at the school and country levels. Our findings revealed that valuing relationship was positively associated with CPS, whereas valuing teamwork was negatively associated with CPS. Furthermore, CPS competency was found to be a dominant and positive predictor of science achievement among all study variables, underscoring the importance of integrating CPS into teaching practices to promote student success in science. Additionally, different IBSI activities show varying relationships with science achievement, indicating that caution should be taken when recommending any specific practices associated with IBSI to teachers.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».