Effect of Peer-Mentoring Programs on Academic Motivation and School Belonging in First-Generation Learners
Notice bibliographique
Résumé
This study aimed to examine the effectiveness of a peer-mentoring program on enhancing academic motivation and school belonging in first-generation learners. A randomized controlled trial design was used with 30 first-generation students from Canada, randomly assigned to either an intervention group (n = 15) that participated in an eleven-session peer-mentoring program or a control group (n = 15) that received no intervention. The sessions, conducted weekly over three months, focused on academic goal setting, motivation, school engagement, and emotional support. Data were collected at three time points—pre-test, post-test, and five-month follow-up—using the Academic Motivation Scale and the Psychological Sense of School Membership scale. Repeated measures ANOVA with Bonferroni post-hoc tests were conducted in SPSS-27 to analyze group differences over time. The intervention group showed significant improvements in both academic motivation and school belonging across time compared to the control group. Repeated measures ANOVA revealed a significant interaction effect between time and group for academic motivation (F(2, 56) = 28.42, p < .001, η² = .49) and for school belonging (F(2, 56) = 27.35, p < .001, η² = .47). Bonferroni post-hoc tests confirmed significant increases from pre-test to post-test and pre-test to follow-up for both variables in the intervention group (p < .001), with no significant change between post-test and follow-up, indicating sustained effects. The control group showed no significant changes over time. Peer mentoring significantly improves academic motivation and school belonging among first-generation learners, and these gains are sustained over time. Structured, relational interventions that emphasize shared experience, goal setting, and emotional support can play a key role in fostering educational engagement and persistence in marginalized student populations.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».