Student Attrition at Technical and Vocational Educational Training (TVET) Institutions: The Case of XCel Technical College in Malaysia
Notice bibliographique
Résumé
Student attrition is a challenging issue for tertiary education institutions, especially Technical and Vocational Education Training (TVET) institutions. There are a lot of explanations why students withdraw from college level programmes and the causes may be unique for students who sign up in a course that suits their interest areas. Small student retention rates reflect negatively on the reputation of the institution and even more, its academic status. This would, in turn, influence institution enrolment, finances, and future plans for development. Thus, this research effort was designed to investigate the influences of students’ withdrawal from these institutions before completion of their studies. As this research took the qualitative approach, data collection was performed through interviews and focus group discussions involving two groups of students (i.e., those who dropped out and those who continued with their studies) from XCel Technical College. The findings showed that the students’ reasons for dropping out from the TVET institutions programme are varied, all which were classified into two categories, namely institutional factors (e.g., training facilities, learning materials, and scheduling) and student characteristics (e.g., parental/family influence and urgency of getting employment). This findings support the results of earlier studies which highlighted that student characteristics, institutional factor, educational and occupational goals and commitments, financial status and other personal factors, are important to their retention in higher education programs (Bafatoom, 2010; Bean, 1980; Braxton, 2005; Pascarella & Terenzini, 1983; Spady, 1970, 1971; Tinto, 1975, 1993).
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».