Modeling Educational Success of First Nations Students in Canada: Community Level Perspectives
Notice bibliographique
Résumé
Au Canada, les évaluations portant sur l’éducation des Premières Nations et des autochtones manquent de véritable modélisation concernant les raisons sous-jacentes à des schémas particuliers d’acquisition. C’est ce manque que nous voudrions adresser. Dans cet article nous examinons l’acquisition en éducation dans les communautés des Premières Nations à partir de données provenant du recensement de 1996 ainsi que du sondage sur l’éducation tenu par le département des Affaires indiennes et du Dévelop-pement du Nord pour l’année scolaire 1955/1996; ces données ont été regroupées pour servir au niveau de la bande, et concernent les étudiants indiens et inuits vivant dans les réserves du Canada, qu’ils soient enregistrés ou non. Une analyse de régression séquentielle multiple sert à modéliser les succès en éducation d’étudiants de 12e et 13e années selon des caractéristiques au niveau de la communauté, dont les variables mesurant des composantes telles que l’isolation, le type d’école, la démographie, l’économie et le type de peuplement. Nous nous servons de trois mesures du succès en éducation : le pourcentage selon l’âge approprié à l’année scolaire, celui de finissants et celui de retraits. Le résultat montre que les variables au niveau de la communauté peuvent expliquer le succès en éducation de façon semblable; cependant, les effets des variables sur ces mesures varient à l’intérieur des composantes citées. La démographie et le peuplement jouent un rôle particulièrement important pour chacune de ces trois mesures. Une analyse complémentaire inclut un examen des coefficients centrés réduits de régression. Dans cet article, nous examinons les implications de la recherche et de la politique dans ce domaine, et nous expliquons de nouvelles avenues pour la recherche.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| 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 | 0,006 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».