MétaCan
Menu
Retour à la cohorte
Enregistrement W4399868699 · doi:10.56943/jssh.v2i2.309

SOCIAL MEDIA AND STUDENTS' ACADEMIC PERFORMANCE

2023· article· en· W4399868699 sur OpenAlexaff
Long Bunteng

Notice bibliographique

RevueJournal Of Social Sciences And Humanites · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueImpact of Technology on Adolescents
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaMathematics educationPsychologySociologyMedia studiesComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

The purpose of this research is to examine the effect of social media on students' academic performance. The case study is based on the academic performance of students majoring in business administration at a higher education institution in Phnom Penh, Cambodia. A conceptual framework was developed from previous research which includes social media information, social media innovation, social media entertainment, social media knowledge generation, and student performance. Quantitative methods were used to distribute questionnaires to 376 respondents. A multistage sampling technique was conducted by nonprobability sampling, using judgmental sampling to select university students, quota sampling to calculate the sample size, and convenience sampling to distribute the questionnaire online, using several popular social networks. Before collecting data, the Index of Item-Objective Congruence (IOC) was used to validate the constructs. Factor loadings and Cronbach's alpha were tested for reliability, using 50 respondents as a pilot study, single and multiple linear regressions were applied to test hypotheses, and correlation matrices were used to identify variable relationships. The results indicated that social media information, social media innovation, and social media entertainment have a strong effect on social media knowledge creation. In addition, social media knowledge creation has a strong impact on student performance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,278
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,002
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,069
Tête enseignante GPT0,402
Écart entre enseignants0,333 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Of Social Sciences And HumanitesMême sujetImpact of Technology on AdolescentsTravaux en français237 207