Explorer les relations structurelles entre compétences non techniques, intelligence émotionnelle, flexibilité cognitive et apprentissage autodirigé à l'ère numérique : une étude transversale PLS-SEM auprès d'étudiantes de l'Université King Faisal, Arabie Saoudite.
Exploring the structural relationships between soft skills, emotional intelligence, cognitive flexibility, and self-directed learning in the digital age: A cross-sectional PLS-SEM study of female students of king Faisal University, Saudi Arabia.
L’essentiel
Cette étude transversale menée auprès de 525 étudiantes de l'Université King Faisal (Arabie Saoudite) examine les relations entre l'intelligence émotionnelle (IE), la flexibilité cognitive (FC), les compétences non techniques (soft skills) et l'apprentissage autodirigé (SDL), ainsi que l'influence de la transformation numérique (TN) sur les comportements d'apprentissage. Les analyses par modélisation par équations structurelles (PLS-SEM) montrent que l'IE est associée à la FC et aux soft skills, que la FC est positivement liée aux soft skills et contribue directement au SDL, et que les soft skills ont un effet positif substantiel sur le SDL. La transformation numérique est également associée au SDL. Le modèle explique 58 % de la variance du SDL. Les auteurs proposent un cadre hiérarchique où l'IE favorise l'adaptabilité cognitive, qui améliore les compétences comportementales, elles-mêmes motrices de l'apprentissage autodirigé, avec la transformation numérique comme catalyseur contextuel.
- L'intelligence émotionnelle est significativement associée à la flexibilité cognitive et aux compétences non techniques.
- La flexibilité cognitive est positivement associée aux compétences non techniques et contribue directement à l'apprentissage autodirigé.
- Les compétences non techniques ont un effet positif substantiel sur l'apprentissage autodirigé.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
Cette étude transversale menée auprès de 525 étudiantes de l'Université King Faisal (Arabie Saoudite) examine les relations entre l'intelligence émotionnelle (IE), la flexibilité cognitive (FC), les compétences non techniques (soft skills) et l'apprentissage autodirigé (SDL), ainsi que l'influence de la transformation numérique (TN) sur les comportements d'apprentissage. Les analyses par modélisation par équations structurelles (PLS-SEM) montrent que l'IE est associée à la FC et aux soft skills, que la FC est positivement liée aux soft skills et contribue directement au SDL, et que les soft skills ont un effet positif substantiel sur le SDL. La transformation numérique est également associée au SDL. Le modèle explique 58 % de la variance du SDL. Les auteurs proposent un cadre hiérarchique où l'IE favorise l'adaptabilité cognitive, qui améliore les compétences comportementales, elles-mêmes motrices de l'apprentissage autodirigé, avec la transformation numérique comme catalyseur contextuel.
Résultats principaux
L'intelligence émotionnelle est significativement associée à la flexibilité cognitive et aux compétences non techniques. La flexibilité cognitive est positivement associée aux compétences non techniques et contribue directement à l'apprentissage autodirigé. Les compétences non techniques ont un effet positif substantiel sur l'apprentissage autodirigé. La transformation numérique est significativement associée à l'apprentissage autodirigé. Le modèle explique 58 % de la variance de l'apprentissage autodirigé, indiquant une forte puissance prédictive.
Repères pour la pratique
Les résultats suggèrent que les interventions visant à renforcer l'intelligence émotionnelle et la flexibilité cognitive pourraient favoriser le développement des compétences non techniques et de l'apprentissage autodirigé chez les étudiants. Les établissements d'enseignement supérieur pourraient intégrer des stratégies holistiques combinant développement émotionnel, cognitif et comportemental pour améliorer l'apprentissage dans des environnements numériques. La transformation numérique apparaît comme un catalyseur contextuel important, soulignant l'importance de l'adaptation des environnements d'apprentissage.
Limites et précautions
L'article porte sur des compétences cognitives générales (flexibilité cognitive, intelligence émotionnelle) chez des étudiantes sans lien direct avec des troubles neurodéveloppementaux ou une pratique clinique. Il présente un intérêt modéré pour la veille en neurosciences cognitives, mais reste périphérique pour NeuroWatch. L'étude est transversale, ce qui ne permet pas d'établir des relations causales. Les données reposent sur des mesures auto-rapportées, sujettes à des biais de déclaration. L'échantillon est limité à des étudiantes d'une seule université saoudienne, ce qui limite la généralisation des résultats. L'étude n'inclut pas de groupe témoin ni de comparaison avec d'autres contextes culturels.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.
Examiner les critères point par point
L'étude transversale a inclus 525 étudiantes de l'Université King Faisal en Arabie Saoudite. Les résultats indiquent des associations positives significatives entre l'intelligence émotionnelle et la flexibilité cognitive, ainsi qu'entre l'intelligence émotionnelle et les compétences non techniques. La flexibilité cognitive est également positivement associée aux compétences non techniques et contribue directement à l'apprentissage autodirigé. Les compétences non techniques ont un effet substantiel sur l'apprentissage autodirigé, et la transformation numérique est significativement associée à l'apprentissage autodirigé. L'analyse a utilisé la modélisation par équations structurelles PLS-SEM, avec un R² de 0,58 pour l'apprentissage autodirigé, indiquant une variance expliquée substantielle. Cependant, l'étude présente des limites : l'échantillon est limité aux étudiantes d'une seule université, ce qui limite la généralisation aux étudiants masculins et à d'autres contextes. De plus, le contrôle des facteurs de confusion potentiels (comme l'âge ou les antécédents académiques) n'est pas rapporté dans la source analysée. La validité et la fiabilité des instruments de mesure ne sont pas détaillées dans le résumé. Aucune information sur les données manquantes, le financement ou les conflits d'intérêts n'est fournie. Une anomalie a été notée : la période de recrutement mentionnée (13/05/2025 au 19/08/2025) est postérieure à la date de publication (2023), ce qui pourrait être une erreur typographique. Cette analyse est automatisée et basée uniquement sur le résumé, ce qui limite la portée des conclusions. Les résultats doivent être interprétés avec prudence en raison de la conception transversale et des limitations mentionnées.
confounding controlNon déterminable
L'étude transversale n'a pas contrôlé les facteurs de confusion potentiels tels que l'âge, le niveau d'études ou les antécédents académiques dans l'analyse des relations entre les variables.
L’information nécessaire n’est pas rapportée dans la source analysée.measure validityFavorable
L'étude a utilisé un questionnaire structuré auto-administré, mais la validité et la fiabilité des instruments de mesure ne sont pas détaillées dans le résumé.
Un élément méthodologique adéquat est explicitement documenté.population selectionPoint de vigilance
L'échantillon est limité à 525 étudiantes de l'Université King Faisal, ce qui limite la généralisation des résultats à d'autres populations, notamment les étudiants masculins et d'autres contextes.
Une limitation méthodologique est explicitement documentée.statistical analysisFavorable
L'analyse a utilisé la modélisation par équations structurelles PLS-SEM, adaptée à l'examen des relations prédictives complexes, et le modèle explique une variance substantielle (R² = 0,58) pour l'apprentissage autodirigé.
Un élément méthodologique adéquat est explicitement documenté.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Étude transversale
- Source
- PubMed — neurosciences cognitives developpementales
- Date
- 31 août 2026
- Langue
- Anglais
- Accès
- abstract only
- Licence
- Non déterminée