Measuring many mindsets: A systematic review of growth mindset domains, and discussion of domain relationships, with implications for growth mindset interventions
Notice bibliographique
Résumé
Abstract Research into growth mindset, the belief that attributes are malleable, has increased dramatically in the last 30 years, leading to an explosion in the number of mindset domains studied. Given this plethora of mindset domains, there is comparatively little work investigating mindset domain relationships. Further, with expanding interest in growth mindset has come an increase in mindset interventions aimed at increasing growth mindset beliefs, with mixed results. The mindset domain used in intervention messaging is an understudied potential moderator of intervention efficacy, as few domains have been used in interventions, despite the number of domains studied. In this article we raise three questions: (1) How many mindset domains have been studied and what are those domains?; (2) How are beliefs in different mindset domains related to one another?; and (3) How can we use information about existing mindset domains and their relationships to improve mindset intervention efficacy? To address question one, we systematically reviewed the mindset literature between 1995 and 2022 to document studied mindset domains. We then discuss heterogeneity in mindset domain relationship research and suggest how our review can be used to address gaps in this field. Lastly, we describe heterogeneity in mindset intervention efficacy and suggest how to apply our review of mindset domains to examine the impact of the domain used in intervention messaging on efficacy. We aim to stimulate research into understanding mindset domain relationships and how this insight may be applied to mindset interventions to improve people's lives through effectively enhancing their growth mindset beliefs.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».