“Who Has to Work Harder, Girls or Boys?” Children's Gender Stereotypes About Required Effort in Math and Reading
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Our culture attributes women's and girls' ability in mathematics and related domains to their efforts more so than men's and boys'-a stereotype that contributes to inequities in scientific and technical careers. Here, we provide the first investigation of this gender stereotype in children, examining its endorsement across a broad age range and assessing its links to student motivation. Specifically, we investigated 6- to 12-year-old US elementary school students' stereotypes about how hard girls and boys have to work to be good at math and, as a comparison, reading (N = 246; 50% girls; 50% White, 19% Asian, 9% Multiracial, 6% Black). We also tested whether these stereotypes are related to children's self-efficacy, interest, and anxiety in math and reading, and whether these links differ in strength across age. Although we anticipated that, like US adults, children would stereotype girls as having to work harder than boys to be good at math, we found that-in line with previously documented gender ingroup biases-younger children reported that effort was less of a requirement for their own (vs. another) gender; this ingroup bias was absent among older children. However, consistent with our hypotheses, children who more strongly believed their own gender needed to work harder to be good in a subject also reported lower self-efficacy in that subject, and older children reported lower interest in it as well. The present research contributes to our understanding of how to effectively encourage student motivation in school.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle