NARRATIVE MEDICINE IN EDUCATION: EXPLORING IMPACT OF EXPRESSE DEMOTIONAL INTELLIGENCE ON MENTAL WELL-BEING OF STUDENTS THROUGH NIGERIA LITERATURE CONTENT
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
This study investigated narrative medicine in education: exploring impact of expressed emotional intelligence on mental well-being of students through Nigeria literature content. The study adopted a descriptive survey design of quantitative nature. The population for this study consisted of 250 Senior Secondary school students who were offering English Literature as a subject in Lagos state. Purposive random sampling technique was used to select 250 secondary school students consisting of 115 male and 135 female students from five randomly selected public secondary school in Lagos State. Two research questions were answered and impact of literature content on expressed emotional intelligence and mental well-being of students’scale was used for data collection. The instrument is self-constructed by the researchers and it was validated using test-retest method. It had an internal consistency of 0.86. The data of the study were analyzed using percentage, bar chart, pie chart, and multiple regression analysis statistical tools to answer the research questions at 0.05 alpha level of significance. The result of the study revealed that the use of Nigeria literature content as narrative medicine in education impact positively on expressed emotional intelligence and mental well-being of secondary school students. Therefore, it was recommended that students should be encouraged to read literary works because reading literature fosters empathy by allowing individuals to step into the shoes of diverse characters and understand their struggles.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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