Early School Leaving among Immigrants in Toronto Secondary Schools
Notice bibliographique
Résumé
Les données du Conseil scolaire du district de Toronto sont utilisées pour déterminer quelles sont les répercussions de vivre sous le seuil de faible revenu (SFR) sur le décrochage à l'école secondaire, en tenant compte du statut de la génération d'immigrants ainsi que d'une diversité de facteurs de risques (par exemple, le pays d'origine, l'âge à l'entrée de l'école secondaire, la réussite scolaire). Les résultats ont indiqué que la mesure SFR du voisinage constituait un prédicteur significatif du décrochage scolaire, indépendamment du statut d'immigrant. L'explication du taux de décrochage des immigrants à partir du facteur de la génération n'a obtenu que peu de soutien. La région d'origine s'est avérée un prédicteur marquant du décrochage où l'on constatait des différences entre les groupes d'immigrants et entre les étudiants immigrants et les étudiants originaires du pays. While education statistics confirm that there is little difference in the dropout rates of native‐born and immigrant youth, analyses of Toronto District School Board (TDSB) data have revealed significant variation in school persistence within immigrant groups. Among newcomer youth, the decision to leave school early has been reported to be strongly influenced by socioeconomic status as well as such factors as country of origin, age at arrival, generational status, family structure, and academic performance. While living in low‐income conditions is thought to place both foreign‐ and Canadian‐born youth at risk of poor school performance and early school withdrawal, their substantially higher incidence of poverty suggests that today's immigrant youth are likely to face greater obstacles to academic success that may in turn have detrimental, long‐term consequences. This paper uses TDSB data to investigate the extent to which living below the low‐income cutoff affects the likelihood of dropping out of secondary school, while taking into account generational status as well as a variety risk factors, noted above. Policy implications are discussed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».