Factors Influencing Pre-Service Technical Teachers' Academic Performance: Cross-Sectional Study
Notice bibliographique
Résumé
This research aims to identify factors predicting pre-service technical teachers’ academic performance in a technical teacher training context. This study employed a predictive correlational design. We developed the conceptual framework by combining previous research, and then created a survey to gather data. Between August 1 and August 30, 2022, 109 undergraduates from the Faculty of Technical Education at Rajamangala University of Technology Krungthep (RMUTK) received an online self-administered questionnaire. The statistical analysis employed the Pearson correlation coefficient and multiple regression. The findings of the research showed that there was a positive correlation between various factors such as gender, motivation and attitude towards learning, study habits, family support, curriculum quality, and teaching quality with pre-service technical teachers' academic performance, with the correlation coefficients ranged from .230 to .292 and were all statistically significant (p < 0.05). The multiple correlation coefficient (R) was .474 showed a significant relationship between the independent and dependent variables at the .05 level. The R-squared value was .225, indicating that these six variables combined explain 22.5% of the variation in academic performance. However, this also suggests that our model fails to explain around 77.5% of the variance. Some aspects of the findings derived from this study are expected to result in the creation of digital interventions to better track students' academic performance, aiming to provide equitable educational experiences that maximize the academic performance of each gender group in the future.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».