mathematics self-efficacy

Purpose: This study aimed to design and evaluate an artificial intelligence–based model for predicting the mathematics performance of twelfth-grade experimental sciences students based on individual, educational, and learning technology factors. Methods and Materials: This applied, quantitative, cross-sectional, and predictive study was conducted among twelfth-grade experimental sciences students in Isfahan, Iran. A total of 187 questionnaires were distributed, and after removing incomplete, inconsistent, and invalid records, data from 84 students were retained for analysis. Data were collected using a structured questionnaire assessing individual factors, educational conditions, and learning technology variables, together with students’ recorded mathematics scores. The dataset was divided into training and testing subsets, and repeated five-fold cross-validation was used for internal model development. Multiple linear regression, ridge regression, lasso regression, elastic net regression, decision tree regression, random forest regression, gradient boosting regression, and support vector regression were compared. Model performance was evaluated using mean absolute error, root mean squared error, and the coefficient of determination. Findings: Previous mathematics achievement had the strongest positive correlation with current mathematics performance, followed by mathematics self-efficacy, study regularity, academic motivation, teacher feedback, instructional quality, and educational use of learning technologies. Test anxiety and digital distraction were negatively associated with mathematics performance. Among the evaluated algorithms, gradient boosting regression achieved the best predictive performance, with a test-set mean absolute error of 0.93, root mean squared error of 1.26, and coefficient of determination of .72. Previous mathematics achievement, mathematics self-efficacy, study regularity, teacher feedback, educational use of learning technologies, test anxiety, and instructional quality were the most influential predictors. Adding educational factors increased explained variance from .54 to .65, while including learning technology factors further increased it to .72. Conclusion: The findings indicate that mathematics performance can be predicted with acceptable accuracy by integrating students’ prior achievement, psychological and behavioral characteristics, instructional experiences, and learning technology use within an interpretable artificial intelligence model.

هدف: این مطالعه با هدف طراحی و ارزیابی یک مدل مبتنی بر هوش مصنوعی برای پیش‌بینی عملکرد ریاضی دانش‌آموزان پایه دوازدهم رشته علوم تجربی بر اساس عوامل فردی، آموزشی و فناوری‌های یادگیری انجام شد. روش‌ها و مواد: این پژوهش کاربردی، کمی، مقطعی و پیش‌بینانه در میان دانش‌آموزان پایه دوازدهم رشته علوم تجربی شهر اصفهان، ایران انجام شد. در مجموع ۱۸۷ پرسشنامه توزیع گردید و پس از حذف داده‌های ناقص، ناسازگار و نامعتبر، داده‌های ۸۴ دانش‌آموز برای تحلیل حفظ شد. داده‌ها با استفاده از پرسشنامه ساختاریافته‌ای که عوامل فردی، شرایط آموزشی و متغیرهای فناوری یادگیری را ارزیابی می‌کرد، همراه با نمرات ثبت‌شده ریاضی دانش‌آموزان جمع‌آوری شد. مجموعه داده به زیرمجموعه‌های آموزش و آزمون تقسیم شد و برای توسعه داخلی مدل از اعتبارسنجی متقاطع پنج‌باره تکراری استفاده گردید. رگرسیون خطی چندگانه، رگرسیون ریج، رگرسیون لاسو، رگرسیون الاستیک نت، رگرسیون درخت تصمیم، رگرسیون جنگل تصادفی، رگرسیون گرادیان بوستینگ و رگرسیون بردار پشتیبان با یکدیگر مقایسه شدند. عملکرد مدل با استفاده از میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین ارزیابی شد. یافته‌ها: پیشرفت قبلی در ریاضی بیشترین همبستگی مثبت را با عملکرد فعلی ریاضی داشت و پس از آن خودکارآمدی ریاضی، نظم در مطالعه، انگیزش تحصیلی، بازخورد معلم، کیفیت تدریس و استفاده آموزشی از فناوری‌های یادگیری قرار داشتند. اضطراب امتحان و حواس‌پرتی دیجیتال با عملکرد ریاضی رابطه منفی داشتند. در میان الگوریتم‌های ارزیابی‌شده، رگرسیون گرادیان بوستینگ بهترین عملکرد پیش‌بینی را با میانگین خطای مطلق ۰٫۹۳، ریشه میانگین مربعات خطا ۱٫۲۶ و ضریب تعیین ۰٫۷۲ در مجموعه آزمون به دست آورد. پیشرفت قبلی در ریاضی، خودکارآمدی ریاضی، نظم در مطالعه، بازخورد معلم، استفاده آموزشی از فناوری‌های یادگیری، اضطراب امتحان و کیفیت تدریس از مهم‌ترین پیش‌بین‌ها بودند. افزودن عوامل آموزشی واریانس تبیین‌شده را از ۰٫۵۴ به ۰٫۶۵ افزایش داد و افزودن عوامل فناوری یادگیری آن را به ۰٫۷۲ رساند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که عملکرد ریاضی را می‌توان با دقت قابل قبول از طریق ادغام پیشرفت قبلی دانش‌آموزان، ویژگی‌های روان‌شناختی و رفتاری، تجارب آموزشی و استفاده از فناوری‌های یادگیری در یک مدل مبتنی بر هوش مصنوعی قابل تفسیر پیش‌بینی کرد.

Abstract Despite decades of effort to improve mathematical outcomes, studies examining the integrated roles of affective dimensions such as confidence, perceived value, and motivation in relation to mathematics achievement among Senior High School students in Ghana remain relatively limited. In this study, confidence was operationalised through items reflecting students’ domain-specific mathematics self-efficacy beliefs. This study examines the structural associations of confidence, perceived value, and motivation with self-reported mathematics achievement among final-year students in a selected Senior High School in the Atwima Nwabiagya North Municipal Assembly of Ghana. A quantitative descriptive correlational design was employed, and data were collected from 296 students using a structured questionnaire. Self-reported mathematics achievement was measured using students’ responses to items concerning their perceived achievement in mathematics, rather than standardised test scores or school achievement records. The hypothesised structural relationships among confidence, perceived value, motivation, and self-reported mathematics achievement were examined using structural equation modelling (SEM). Within the participating school, the results showed that confidence, perceived value, and motivation were each positively and significantly associated with self-reported mathematics achievement, with confidence having the largest standardised coefficient, followed by motivation and value. Given these findings, instructional practices that support students’ confidence may be considered in mathematics teaching. Likewise, opportunities to connect mathematics with real-world applications may help students recognise its value, while supportive learning environments may provide conditions conducive to sustained engagement with mathematics learning.

Purpose This study examines whether socioeconomic disadvantage alters the associations of mathematics anxiety and mathematics-specific self-efficacy with mathematics achievement among adolescents in Hong Kong (China) and Macao (China). The research problem is not whether anxiety, efficacy, and socioeconomic status are individually related to achievement; those relationships are already well established. The unresolved question is whether socioeconomic disadvantage functions as a boundary condition on the two psychological-achievement slopes when anxiety and self-efficacy are modeled jointly. Data and methods This quantitative, observational, cross-sectional secondary analysis uses public PISA 2022 student data for Hong Kong (China) and Macao (China). The source data contained 10,291 relevant student records; after complete-case screening, 9,760 students from 209 schools were analyzed. Mathematics achievement was represented by PV1MATH-PV10MATH, mathematics anxiety by ANXMAT, mathematics self-efficacy by MATHEFF, and socioeconomic disadvantage by reverse weighted-standardized ESCS. Models were estimated separately across all 10 plausible values with final student weights, and sampling variance was estimated with the 80 official Fay-BRR replicate weights before plausible-value pooling. Findings Anxiety was negatively associated with mathematics achievement ( B = −9.03, SE = 1.53, p < 0.001), self-efficacy was positively associated with achievement ( B = 34.82, SE = 1.62, p < 0.001), and greater socioeconomic disadvantage was associated with lower achievement ( B = −14.88, SE = 1.69, p < 0.001). Neither the anxiety-by-disadvantage interaction ( B = −1.77, SE = 1.52, p = 0.244) nor the self-efficacy-by-disadvantage interaction ( B = −0.46, SE = 1.42, p = 0.744) was statistically significant. Equal-jurisdiction weighting, inverse-probability attrition weighting, bottom-SES-quartile models, and jurisdiction-specific models produced the same substantive moderation conclusion. Contribution and practical relevance The findings show concurrent psychological and socioeconomic gradients while placing the moderation conclusion within the official PISA variance framework. Interventions should address emotional, motivational, and structural barriers in parallel rather than assuming that socioeconomic disadvantage necessarily magnifies the psychological gradients.

هدف: این مطالعه بررسی می‌کند که آیا محرومیت اجتماعی‌اقتصادی ارتباط بین اضطراب ریاضی و خودکارآمدی خاص ریاضی با پیشرفت ریاضی را در میان نوجوانان در هنگ‌کنگ (چین) و ماکائو (چین) تغییر می‌دهد یا خیر. مسئله پژوهش این نیست که آیا اضطراب، خودکارآمدی و وضعیت اجتماعی‌اقتصادی به‌طور مستقل با پیشرفت تحصیلی مرتبط هستند؛ این روابط پیش‌تر به‌خوبی اثبات شده‌اند. پرسش حل‌نشده این است که آیا محرومیت اجتماعی‌اقتصادی به‌عنوان یک شرط مرزی بر شیب‌های روان‌شناختی-پیشرفت تحصیلی زمانی که اضطراب و خودکارآمدی به‌طور مشترک مدل‌سازی می‌شوند، عمل می‌کند یا خیر. داده‌ها و روش‌ها: این تحلیل ثانویه کمی، مشاهده‌ای و مقطعی از داده‌های دانش‌آموزی عمومی PISA 2022 برای هنگ‌کنگ (چین) و ماکائو (چین) استفاده می‌کند. داده‌های منبع شامل ۱۰٬۲۹۱ رکورد دانش‌آموز مرتبط بود؛ پس از غربالگری موارد کامل، ۹٬۷۶۰ دانش‌آموز از ۲۰۹ مدرسه مورد تحلیل قرار گرفتند. پیشرفت ریاضی با PV1MATH-PV10MATH، اضطراب ریاضی با ANXMAT، خودکارآمدی ریاضی با MATHEFF و محرومیت اجتماعی‌اقتصادی با ESCS استانداردشده معکوس و وزنی نمایان شد. مدل‌ها به‌طور جداگانه برای هر ۱۰ مقدار محتمل با وزن نهایی دانش‌آموزان برآورد شدند و واریانس نمونه‌گیری با ۸۰ وزن تکراری رسمی Fay-BRR پیش از تجمیع مقادیر محتمل برآورد شد. یافته‌ها: اضطراب با پیشرفت ریاضی رابطه منفی داشت (B = −9.03, SE = 1.53, p < 0.001)، خودکارآمدی با پیشرفت رابطه مثبت داشت (B = 34.82, SE = 1.62, p < 0.001) و محرومیت اجتماعی‌اقتصادی بیشتر با پیشرفت پایین‌تر مرتبط بود (B = −14.88, SE = 1.69, p < 0.001). نه تعامل اضطراب-محرومیت (B = −1.77, SE = 1.52, p = 0.244) و نه تعامل خودکارآمدی-محرومیت (B = −0.46, SE = 1.42, p = 0.744) از نظر آماری معنادار نبودند. وزن‌دهی برابر حوزه‌های قضایی، وزن‌دهی معکوس احتمال ریزش، مدل‌های چارک پایین وضعیت اجتماعی‌اقتصادی و مدل‌های اختصاصی حوزه، همگی به همان نتیجه تعدیل‌گری منتهی شدند. مشارکت و اهمیت عملی: یافته‌ها وجود شیب‌های روان‌شناختی و اجتماعی‌اقتصادی همزمان را نشان می‌دهد و نتیجه تعدیل‌گری را در چارچوب واریانس رسمی PISA قرار می‌دهد. مداخلات باید به موانع هیجانی، انگیزشی و ساختاری به‌طور موازی بپردازند و فرض نکنند که محرومیت اجتماعی‌اقتصادی لزوماً شیب‌های روان‌شناختی را تشدید می‌کند.