Using Hierarchical Linear Modelling to Examine Factors Predicting English Language Students’ Reading Achievement
Notice bibliographique
Résumé
Using Hierarchical Linear Modelling (HLM), this study aimed to identify factors such as ESL/ELL/EAL status that would predict students’ reading performance in an English language arts exam taken across Canada. Using data from the 2007 administration of the Pan-Canadian Assessment Program (PCAP) along with the accompanying surveys for students and the schools, a two-level (student level and school level) HLM model was analyzed for predictive relationships. Results showed that, at the student level, predictors such as students’ participation in class discussions, language spoken at home, parents’ encouragement to read at a young age, and the number of individual projects requiring students to work outside of class contributed significantly to the students’ reading scores. However, none of the school-level predictors were found to be significant. All the significant predictors contributed to only 12% of the variability in this HLM model. Identification of more signi cant variables is needed in order to have a full picture of students’ reading competence and achievement. S’appuyant sur la modélisation linéaire hiérarchique (MLH), ce e étude porte sur l’identi cation des facteurs, comme le statut ALS/ELL/ALA, qui prédiraient les acquis en lecture d’élèves lors d’un examen d’anglais administré partout au Canada. Les auteures ont employé des données du Programme pancanadien d’évaluation (PPCE), y compris les sondages connexes pour les élèves et les écoles, a n d’analyser les liens prédictifs d’un modèle HLM à deux niveaux (élève et école). Les résultats indiquent que les prédicteurs tels la participation des élèves aux dis- cussions en classe, la langue parlée à la maison, la mesure dans laquelle les parents encouragent leurs enfants à lire dès un jeune âge et le nombre de projets individuels exigeant du travail à l’extérieur de la salle de classe, contribuaient de façon significative aux résultats des élèves en lecture. Toutefois, aucun des prédicteurs au niveau de l’école ne s’est révélé comme étant significatif. Dans leur ensemble, les prédicteurs significatifs n’ont contribué qu’à 12% de la variabilité du modèle MLH. A n d’arriver à une vue globale du rendement et de la compétence en lecture des élèves, il faudra identifier plus de variables signi catifs.
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 | 0,017 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».