Az impulzivitás, a tanulmányi motivációk és a középiskolában megjelenő csalás kapcsolatának vizsgálata
Bibliographic record
Abstract
Kutatásunk célja volt, hogy feltárja a diákok impulzivitása, motivációja, tanulmányi eredményeik és a számonkérések során elkövetett és bevallott csalás közötti összefüggéseket. A vizsgálat résztvevői középiskolás diákok voltak (Méletkor = 16,55; SDéletkor = 1,26). A vizsgált minta elemszáma 676 fő (Nnő = 287; Nférfi = 389). Strukturálisegyenlet-modellezést alkalmaztunk a változók közötti kapcsolati mintázatok feltárására. Korábbi kutatásokkal összhangban a változókat összesítő modell segítségével megállapítható, hogy a diákok autonóm motivációja összefüggésben áll a csalással és a tanulmányi átlaggal is. Emellett az amotiváció is összefüggést mutat a csalás mértékével, valamint a tanulmányi teljesítménnyel, azonban a kontrollált motiváció nem. Az impulzivitás faktorai közül a megfontoltság hiánya kapcsolatban van a csalással, valamint az amotivációval, a negatív sürgetettség összefüggést mutat a kontrollált motivációval, valamint a csalással. Ezenkívül a kitartás hiánya kapcsolatban áll az autonóm motivációval és az amotivációval. Összességében elmondható, hogy a megfontoltság hiánya mind direkt, mind indirekt módon (az amotiváción keresztül) összefügg a csalással, valamint indirekt módon (az amotiváción keresztül) a tanulmányi átlaggal. A kitartás hiánya indirekt (az amotiváción és az autonóm motiváción keresztül) kapcsolatot mutat a csalással és a tanulmányi átlaggal is. A negatív sürgetettség pedig direkt módon függ össze az iskolai tisztességtelenséggel.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.066 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".