Identifying Students at Risk of School Failure in Luxembourgish Secondary School
Notice bibliographique
Résumé
If teachers knew in advance whether their students are at risk of school failure, they would have the opportunity to supply these students with additional or special instruction. In Luxembourg, the likelihood of failure in school is particularly high. Taking this result into account, this paper deals with the identification of variables of primary school students that might help predict school failure in Luxembourgish secondary school. Failure was defined as (a) descending from a higher track to a lower track, (b) repeating a class, or (c) showing insufficient achievements in two main subjects. First, we chose variables from a sample of N = 2787 students in Luxembourg for further analyses which were shown to be effective in predicting school failure in past investigations. These variables entailed both information about students’ achievements and their social background. We then examined similarities and differences in these variables between students who failed and those who succeeded. Additionally, logistic regression analyses showed that primary school achievements in mathematics and languages were the strongest predictors of failure in secondary school, followed by students’ age and students’ school-related behaviors. Finally, we could show that the same accuracy of prediction of school failure was obtained when a fast and frugal algorithm, containing only three predictors or less, instead of a linear regression model was used. The findings support the hypothesis that poor academic achievement is one of the strongest predictor of school failure, and that accurate predictions can be made without using complex regression models.
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 | 0,001 | 0,000 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».