Différence sur le plan des formes de motivation entre les étudiants de première génération et les autres à s'inscrire à un programme universitaire de deuxième ou troisième cycle
Bibliographic record
Abstract
Il est constaté une augmentation du nombre d'étudiants inscrits à l'ensemble des universités québécoises. Cependant, la scolarisation au Québec présente un retard par rapport aux autres provinces canadiennes. Selon le Conseil Supérieur de l'Éducation (CSE, 2008), le niveau de scolarisation en enseignement supérieur de la population doit être rehaussé afin de satisfaire aux besoins de main-œuvre au Québec. Parmi les nouveaux étudiants universitaires, ceux de première génération (EPG) sont en sous-effectif. Ils présenteraient des différences sur le plan de la motivation versus les non-EPG (Kamanzi, Doray, Bonin, Groleau et Murdoch, 2010). La présente recherche basée sur l'approche motivationnelle de la théorie de l'autodétermination (Deci et Ryan, 1985, 1991, 2000) consiste à obtenir une meilleure compréhension des différences selon les formes de motivation entre les EPG (n = 120) et les non-EPG (n = 387) à s'inscrire à un programme universitaire de deuxième (avec ou sans mémoire) ou troisième cycle. Les formes de motivation ne présentent pas de différence entre les EPG et les non-EPG. Une différence significative existe sur le plan des différentes formes de motivation dont le niveau augmenterait selon le cycle d'études. Les résultats sont discutés en fonction de la théorie de l'autodétermination et des caractéristiques des EPG. Les pistes de futures recherches sont proposées par la suite.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".