What Can We Learn from Charter School Lotteries?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We take a closer look at what can be learned about charter schools by pooling data from lottery-based impact estimates of the effect of charter school attendance at 113 schools. On average, each year enrolled at one of these schools increases math scores by 0.08 standard deviations and English/language arts scores by 0.04 standard deviations relative to attending a counterfactual public school. There is wide variation in impact estimates. To glean what drives this variation, we link these effects to school practices, inputs, and characteristics of fallback schools. In line with the earlier literature, we find that schools that adopt an intensive "No Excuses” attitude towards students are correlated with large positive effects on academic performance, with traditional inputs like class size playing no role in explaining charter school effects. However, we highlight that No Excuses schools are also located among the most disadvantaged neighborhoods in the country. After accounting for performance levels at fallback schools, the relationship between the remaining variation in school performance and the entire No Excuses package of practices weakens. No Excuses schools are effective at raising performance in neighborhoods with very poor performing schools, but the available data have less to say on whether the No Excuses approach could help in nonurban settings or whether other practices would similarly raise achievement in areas with low-performing schools. We find that intensive tutoring is the only No Excuses characteristic that remains significant (even for nonurban schools) once the performance levels of fallback schools are taken into account.
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.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle