Psychological Factors Influencing Learners’ Engagement and Academic Performance in Blended Learning Environments: A Systematic Review
Notice bibliographique
Résumé
This systematic review investigates the psychological factors that influence learners’ engagement and academic performance in blended learning environments. Guided by the PRISMA framework, 26 empirical studies published between 2015 and 2025 were analysed. The synthesis identified six key psychological factors that shape learners’ engagement and learning outcomes in blended learning, which are motivation, emotional engagement, psychological capital, cognitive engagement, social presence and interaction, and technology acceptance and design quality. Intrinsic motivation and emotional engagement consistently predicted academic success, while psychological capital, which includes resilience and self-efficacy, supported persistence in demanding learning contexts. Cognitive engagement, expressed through active thinking and problem-solving, and social presence, developed through peer and instructor interaction, further enhanced learning experiences. Furthermore, technology acceptance and design quality were found to influence satisfaction and engagement, especially when learning tools were reliable and user-friendly. These findings can guide educators in designing blended learning environments that promote both engagement and academic performance. This research contributes by providing a comprehensive framework that identifies the interplay of key psychological factors, such as motivation, emotional engagement, and cognitive engagement, in shaping learners' academic performance in blended learning environments. The findings offer practical insights for educators to design more effective, engaging, and supportive blended learning experiences that promote both learner engagement and academic success.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».