Factors Affecting Mathematics Performance: Basis for an Intervention Plan
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mathematics, being a highly advanced field of Science, is closely linked to success in modern society as it is considered a necessary skill. This study sought to determine the extent to which attitudes, parental influence, and self-efficacy are factors that affect learners' performance in Mathematics; to detect learners' Mathematics performance throughout the First Quarter of the School Year 2023 - 2024; to determine the significance of the relationships between factors affecting performance in Mathematics and learners’ First Quarter Mathematics performance of the School Year 2023 -2024; and to find out which of the independent variable/s singly or in combination best predict/s performance in Mathematics; and also to create an intervention plan based on the study's findings. There were one hundred seventy-six (176) Grade 6 learners from the District of Laguindingan schools, Division of Misamis Oriental that participated in the survey. The instrument used was adapted and modified from Peteros et al. (2019), Silao (2018), and Dagdag et al. (2020). The data gathered were analyzed using frequency, percentage, mean, standard deviation, Pearson Moment Correlation, and multiple regression analysis. The findings of the study showed that attitude toward Mathematics is the best indicator of Mathematics performance. The researcher recommends that the DepEd officials, administrators, parents, and stakeholders work together to deal with learners' Mathematics performance. Teachers may conduct parent workshops or training sessions and counseling on how to set realistic, achievable goals based on the child's capabilities.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,000 |
| 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 découle