Enhancing Learning Motivation of Transitional Students Through the ARCS Model in the Digital Era: A Case Study of Baise University
Notice bibliographique
Résumé
This research aimed to: 1) investigate components of learning motivation of upgrading to college students in Baise University, 2) explore existing and desired conditions of learning motivation, and 3) design and assess an approach to develop learning motivation. The study employed three phases: Phase 1 involved 5 qualified informants to validate motivation components; Phase 2 included 5 experts to assess questionnaires and 301 upgrading students (30 for pilot testing, 271 for data collection); Phase 3 utilized 5 best practice individuals to design the motivation development approach and 5 experts to evaluate it. Research instruments included a 5-point rating scale questionnaire, interview forms, and assessment forms. Data analysis employed IOC, mean, standard deviation, and PNImodified. Results revealed five components of learning motivation: Knowledge value, Learning interest, Learning ability, Achievement attribution, and External influence. The existing motivation level was medium overall, with Achievement attribution and External influence at medium levels while other components were low. All desired conditions rated very high. Priority needs ranked from highest to lowest were: Knowledge value, Learning interest, Learning ability, Achievement attribution, and External influence. The developed approach using the ARCS Model consisted of 28 activities across four dimensions (Attention, Relevance, Confidence, Satisfaction) that addressed all five motivation components. Expert evaluation confirmed the approach’s high suitability and feasibility for developing learning motivation among upgrading college students.
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 | 0,002 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».