Investigating adolescent psychological wellbeing in an educational context using PISA 2018 Canadian data
Notice bibliographique
Résumé
Introduction: Adolescent psychological wellbeing has been identified as an important public health priority and one of the major challenges facing young people. However, few studies have examined the wellbeing of Canadian adolescents nationwide in the past decade, and even fewer have focused specifically on immigrant adolescents. This study aims to investigate Canadian adolescent psychological wellbeing (PWB) via nationally representative data from the Programme for International Student Assessment (PISA) 2018. We explored what social and educational factors were critical in predicting Canadian adolescents' PWB, how adolescents from immigrant families differed from their non-immigrant peers in their wellbeing, and how adolescents' PWB was related to their academic performance. Methods: A total of 22,651 Grade 8 Canadian students who participated PISA 2018 were included in this study (mean age of 15; 49.9% female; 26% immigrant students). Mixed effects modeling was adopted for data analysis. Results: Our results showed that various social and educational factors were associated with adolescent PWB, but these relationships varied depending on which aspect of PWB was examined. Immigrant adolescents were shown to have higher levels of PWB when student attitudes toward immigrants were more positive. Additionally, most aspects of PWB were important for achievement performance. Discussion: It is important to develop healthy and supportive school and disciplinary climates that foster students' sense of belonging. To further support the PWB of immigrant adolescents, educators can implement activities and integrate learning materials on cultural diversity into curricula, encouraging students to develop positive attitudes toward immigrants. Our findings on the PWB of Canadian adolescents could provide valuable insights for other countries with diverse populations, particularly those with significant immigrant communities.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».