Multilevel Analysis of New Year Resolutions
Notice bibliographique
Résumé
Based on a literature research, we found plenty of different goal characteristics. However, these variables on which goals vary, which we call goal dimensions (Austin & Vancouver, 1996), were not measured with comparable items across the literature. Hence, we developed a comprehensive measure of goals by first extracting "common" goal dimensions (being measured in at least 10 publications and having found at least 10 items in the literature review). We then conducted a study asking participants 2-3 items from each common goal dimension and conducted an exploratory factor analysis resulting in 9 factors (which we named: Expectancy, Progress, Enjoyment, Support, Value, External Motivation, Demand, inter-goal Facilitation, & Commitment) with 3 items each. Then, we confirmed the factor structure by another study and confirmatory factor analysis. This resulted in a goal dimension questionnaire. Now, we want to investigate the multilevel structure of goals by a field study. In this study, we will ask the general population from the city of Siegen about their new year resolutions. Recruitment will be done a) in person at the "Kornmarkt", a public place in the center of Siegen, and b) via interviews given by Prof. Marie Hennecke and published in diverse newspapers and social media platforms from the University of Siegen. We introduce participants to the longitudinal study life and by the following homepage: https://neujahrsvorsatz.lwf.uni-siegen.de/. The measuring points are 30 days apart. Mails (incl. a 3 days reminder) will be sent by the platform "FormR". We want to analyse prevalent variance according to the levels: 1) variance of goals across time, 2) variance between goals and 3) variance in goals between persons.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,020 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,009 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,232 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».