The Hidden Cost of Illness: Exploring the Relationship Between Seasonal Respiratory Illness, Self-Efficacy, and Academic Achievement of Undergraduate Science Students
Notice bibliographique
Résumé
Abstract Background Seasonal respiratory illnesses (SRIs), including COVID-19, have significantly disrupted university students' academic experiences. This study examines the impact of SRIs on key academic factors such as attendance, self-efficacy, and academic performance, alongside the effectiveness of preventative behaviours like handwashing and mask-wearing. Methods Undergraduate students were surveyed during the Winter 2023 Semester. The survey collected data on SRIs, self-efficacy (using the General Academic Self-Efficacy scale), perceived attendance, and academic performance. SRI scores were derived from illness frequency, duration, and severity. Analyses included descriptive statistics, correlation, and multiple linear regression. Results Among participants, 84.5% reported experiencing SRIs, with an average of 3.8 occurrences lasting a total of 22 days. Regular handwashing correlated with lower SRI scores (β = -1.87, p = 0.05), while mask-wearing unexpectedly correlated with higher SRI scores (β = +1.79, p = 0.02). Higher SRI scores were significantly linked to lower self-efficacy (p = 0.0011) and academic performance (p < 0.0001). Conclusions SRIs notably affect students' academic outcomes, likely through their impact on self-efficacy, while a diminished role for attendance on academic achievement may reflect the post-pandemic shift in instructional strategies towards online access. The unexpected link between mask-wearing and higher SRI scores suggests a need for further research on specific factors relating to the efficacy of masks in university environments. Overall findings suggest that supporting students' psychological resilience and promoting regular handwashing are critical for reducing SRIs' significant impact on academic success.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».