Identifying the Cognitive and Emotional Components of Self-Advocacy in Exceptional Learners
Notice bibliographique
Résumé
This study aims to identify the cognitive and emotional components of self-advocacy in exceptional learners and examine the external factors that influence their ability to advocate for themselves in educational settings. A qualitative research design was employed, utilizing semi-structured interviews with 29 exceptional learners recruited through online platforms. Theoretical saturation was reached, ensuring comprehensive data collection. NVivo software was used to conduct thematic analysis, identifying key cognitive and emotional factors related to self-advocacy. Participants shared their experiences regarding metacognitive awareness, decision-making, emotional regulation, and external support systems, providing rich qualitative data for analysis. The results indicated that self-advocacy among exceptional learners is shaped by cognitive competencies, including metacognition, decision-making, and information-seeking behaviors, as well as emotional factors such as self-efficacy, resilience, and emotional regulation. Participants who demonstrated strong metacognitive strategies and confidence were more effective self-advocates, whereas those facing anxiety or low self-efficacy struggled to assert their needs. External factors, such as educator support, family involvement, and institutional policies, played a critical role in shaping advocacy experiences. Online networks and digital advocacy resources were identified as valuable tools for enhancing self-advocacy skills. However, institutional barriers, including bureaucratic challenges and lack of awareness among educators, posed significant obstacles for learners. The study highlights the complexity of self-advocacy in exceptional learners, emphasizing the interplay between cognitive awareness, emotional resilience, and external support structures. Enhancing self-advocacy skills requires targeted interventions, including advocacy training, institutional support, and digital resource accessibility.
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 | 0,005 | 0,014 |
| 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 | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».