Do Emotional Intelligence and Academic Persistence Interrelated in Final Year Students?
Notice bibliographique
Résumé
Final students are students who often face academic pressure, final assignments, and preparations for entering the world of work. Emotional intelligence is important for dealing with stress, maintaining motivation, and having academic persistence which gives a final student the ability to continue fighting to achieve their academic goals despite facing challenges. various obstacles. For final students, challenges such as final assignments and preparation for graduation can test their level of persistence. This quantitative research aims to explain the relationship between emotional intelligence and academic persistence in final students. Data was collected using The Schutte Self Report Emotional Intelligence Test (SSEIT) scale for emotional intelligence and The academic persistence scale for academic persistence, then analysis was carried out using reliability and validity tests, assumption tests and hypothesis tests. The results of this research show that specifically emotional intelligence and academic persistence in final students have a relationship with a Correlation Coefficient of (.755), which means it has a positive relationship and a significance value of 0.000 is smaller than 0.05, for linearity it shows (628.951) for the sig F value. The significance deviation of linearity is 0.000. From the results of this research which shows its significance towards emotional intelligence and academic persistence in final students, it shows that high emotional intelligence is associated with stronger academic persistence. Overall, research on the relationship between emotional intelligence and academic persistence can yield a variety of beneficial implications in improving college students' academic success, supporting their well-being, and preparing them for future challenges.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 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 ».