Relationship Between Emotional Self-Control, Alexithymia and Educational Emotional with Academic Burnout in Students with Learning Disorder
Notice bibliographique
Résumé
Introduction: One of the objectives of educational systems is to raise the level of students' ability to improve their academic performance. The aim of present study was to determine the relationship between emotional self-control, alexithymia, and academic excitement with academic burnout in students with learning disabilities. Method: The population of this study was all clients with learning disabilities who referred to the Learning Disabilities Centers in Tehran in 2021. The sampling method was cluster random sampling. Ten centers were selected from the centers of learning disabilities. Then, 150 students with the l learning disabilities were selected to participate in this study. The data was collected by Bresso Academic Burnout Questionnaire, Toronto Emotional Dysfunction Scale,Bakran Academic Emotion Questionnaire, and Weinberger & Schmaltz (srs) Self-Restraint Scale(1990). Results: The results showed that negative academic excitement, emotional self- control, and positive emotion were able to predict students' academic burnout. The collected data were analyzed using Pearson correlation coefficient test and stepwise multivariate regression analysis. Negative academic excitement (P<0.001, t= 4.91, β= 0.348) with the highest value of B and then self-control (P<0.001, t= 4.18,β=-0.288) and positive emotion (P<0.001, t= -3.42, β= -0.235) could predict academic burnout, respectively. Conclusion: Based on the findings, training the life skills related to emotion management, emotion regulation, and improving emotional intelligence should be widely and seriously considered. By training these skills, students' level of self-management can be improved and educational burnout can be prevented.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».