The Influence of Traits of Resilience and Internalising Symptoms of Mental Health on the Transition From Secondary to Post‐Secondary in Canada
Notice bibliographique
Résumé
ABSTRACT Research on the transition from high school to university supports that over 90% of students will notice their grades decrease when entering first‐year university. However, the nature of this drop remains largely unknown. The current study proposes a path analysis model to explore the mechanism by which traits of resilience (i.e., locus of control, self‐efficacy, resilience, academic resilience and academic buoyancy) may influence grade point average (GPA) changes in students transitioning from a secondary to post‐secondary institution in Canada. The influence of student mental health on these variables was also of interest. One hundred and thirty‐nine students responded to scales assessing their locus of control (LOC), self‐efficacy, resilience, academic resilience, anxiety and depression. A basic change score was computed to quantify GPA changes during this transition. The path analysis revealed that higher self‐efficacy and internal LOC predicted higher scores of academic resilience but not GPA changes. Supplementary analyses revealed anxiety and depression were the only variables significantly related to all the model variables, including academic resilience and GPA change scores. In turn, personality constructs may influence the academic resilience of students; however, mental health may significantly influence the relationships between these constructs, academic resilience and GPA changes. Considering the COVID‐19 pandemic, the current findings may highlight the increasing impact of internalising symptoms of mental health on academic performance in a remote learning setting.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».