Gender differences in computation strategies: Evidence across adolescent and adult samples
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
BACKGROUND: On computation items, young girls tend to use algorithmic approaches more than boys do. However, it is unclear whether these patterns persist as students progress into adulthood. AIMS: In two independent studies using different measures, we examine gender differences in computation strategy use in adolescents (Study 1) and adults (Study 2). We explore factors that might explain differences, and whether they relate to gender differences in math performance. SAMPLES: Study 1 uses data from students at a U.S. public high school (n = 213; 54.5% female). Study 2 uses data from U.S. adults (n = 810; 58.6% women). METHODS: Participants completed computation items, math performance measures and measures commonly found to relate to both gender and math. The unique relations between algorithm use, gender and math performance were examined while accounting for key covariates. RESULTS: Girls and women used an algorithm more often than their male counterparts, as did people with lower mental rotation skills and higher teacher-pleasing tendencies (Study 1) and higher test anxiety (Study 2). After including covariates, the gender difference in algorithm use decreased in Study 1 but not in Study 2. Across both studies, girls and women, and those who use algorithms more, had lower performance on problem-solving measures, as did those with higher teacher-pleasing tendencies and lower confidence (Study 1) and lower math anxiety (Study 2). CONCLUSIONS: Gendered patterns in algorithm use within older samples and the negative relation of algorithm use with math performance point to the need for renewed focus on developing children's computational approaches.
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 | 0,000 |
| 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 découle