School Effects, Gender and Socioeconomic Differences in Reading Performance: A Multilevel Analysis
Notice bibliographique
Résumé
The purpose of this paper is to examine the characteristics of Albanian secondary schools, which are associated with reading achievement and the effects of gender and socio-economic status on reading performance of 15-year-old students. This study used data on the background and achievement of 4,596 students in 181 Albanian schools from the 2009 Programme for International Student Assessment (PISA). Given the nested structure of the data, two-level Hierarchical Linear Modeling (HLM) methods were used to address multilevel research questions. About a third of the total variance in reading performance lies between schools, indicating that school characteristics are important in predicting student achievement. The results clearly reveal the significant relationships of socio-economic status (SES) and gender with student achievement, even after controlling for family structure (two parent families versus others), learning strategies use, and reading engagement. There is also a substantial variability among schools on gender difference in student performance and the effect of SES on student performance. The results from the between-school model suggest that school type, school SES and classroom environment are significant predictors of school performance. Moreover, gender gap in reading performance is associated with school sector (public/private), school location (urban/rural), and average reading engagement; and SES effect on student performance is associated with school type (general/vocational), school location and average reading engagement. The characteristics of schools that make them excellent and more equitable are summarized.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».