Characteristics of 15-Year-Old Students Predicting Scientific Literacy Skills in Turkey
Notice bibliographique
Résumé
<p class="apa">Since 2003, Turkey regularly participates in PISA. According to the PISA 2012 results, 15-year-old students in Turkey performed below both OECD countries and participating countries. Defining the relations between students’ characteristics and their scientific literacy skills is thought to provide deeper understanding for the nature of this situation in Turkey. The main aim of this study was to construct a significant multivariate model with secondary level structural equating modelling which includes relations between students’ characteristics and their scientific literacy performance by using PISA 2012 Turkey data. Also, according to this model, it was aimed to define and interpret the predictive level of these characteristics to the scientific literacy skills of students. This study was designed as a basic research and secondary level analyses were conducted on PISA 2012 Turkey student questionnaire data. PISA 2012 Turkey sample was composed of 4.848 students. A secondary-level structural model was constructed by using PISA data. Limitations of the model, best predictor of scientific literacy skills were ‘socio-economic status’. Students’ ‘opinions for teacher’ shows negative correlation with scientific literacy skills. Students’ ‘attitudes for school’ have low but positive correlation with scientific literacy skills. Among indicators, best predictor of scientific literacy skills is ‘home possessions’. It is followed by ‘index of economic, social and cultural status’ and ‘wealth’. Lowest predictors among indicators are ‘attitude towards school: learning outcomes’, ‘attitude towards school: learning activities’ and ‘sense of belonging to school’ respectively. All these variables are positively correlated with scientific literacy skills.</p>
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 | 0,005 |
| 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 | 0,001 |
| 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 ».