Improving the Self-esteem Scores of High School Students Through Artificial Intelligence Counseling: A Quantitative, Quasi-experimental Study
Notice bibliographique
Résumé
The purpose of this quantitative, quasi-experimental study was to determine the difference in self-esteem scores among high school students who participated in artificial intelligence counseling and those who did not when controlling for pretest scores. Student self-esteem is significant because it influences their work effort, class participation, and social interactions; therefore, research on the effect of artificial intelligence counseling is significant in exploring affordable and effective counseling methods to increase student self-esteem. The researcher used a convenience sample of 74 high school students from a private school in northern Maryland. Participants were evenly distributed into one treatment group and one control group. The study lasted for four weeks during the first quarter of the 2024 academic year, and the Rosenberg Self-Esteem Scale was used as the instrument to measure student self-esteem. Data analysis was conducted using a one-way analysis of covariance. The analysis revealed that there was no significant difference between the scores of high school students who participated in artificial intelligence counseling and those who did not when controlling for pretest scores. The study contributes to the advancement of the field by providing results for a high school population with the use of AI as a tool for counseling and its connection to student self-esteem. Future research should include using a larger sample, increasing the diversity of students used in the study, and extending the duration of the study.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».