Exploring the Relationship Between Motivation and IELTS Reading Proficiency Among Chinese Learners
Notice bibliographique
Résumé
This study investigates the impact of motivational factors on the reading test performance of Chinese learners in the IELTS examination. The objectives are to evaluate the motivation levels, analyze the relationship between motivation and IELTS reading achievement, and identify the most influential predictors among intrinsic and extrinsic motivations. Using a quantitative research design and a sample of 242 students from 12 IELTS training centers in southwest China, data were collected through the Motivation in English Reading Questionnaire (MERQ) and Cambridge Practice Tests for IELTS. Pearson correlation coefficients and multiple regression analysis were employed to analyze the data. The results show significant positive correlations between various motivational constructs and IELTS reading scores. Total motivation (r = .634, p < .001), efficacy and engagement (r = .520, p < .001), utility value (r = .459, p < .001), and academic value (r = .424, p < .001) are all positively associated with reading proficiency. Regression analysis indicates that intrinsic motivation, specifically efficacy and engagement (β = 0.504), is the strongest predictor of reading scores, followed by utility value (β = 0.351) and academic value (β = 0.315). These findings underscore the essential role of both intrinsic and extrinsic motivations in improving reading proficiency among Chinese IELTS learners.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».