PAPER: Making Sense of the Gender Gap in Reading on the PISA 2009
Notice bibliographique
Résumé
Educational large-scale assessments such as the Programme for International Student Assessment (PISA) consistently show a gender gap in reading that favors girls over boys. However, there is significant score variability within gender groups that cannot be ignored. Therefore, the gender gap may be misleading (Alloway, 2007; Alloway & Gilbert, 1997; White, 2007). When information from other variables such as socioeconomic status (SES) is taken into account the gender gap does not apply to all boys or all girls to the same degree (Alloway, 2007). Consequently, there is a need to determine which boys are doing poorly in reading and which boys are doing well, relative to girls. This requires the use of latent class modeling (LCM) to allow detection of latent classes in the data set. Although each latent class (LC) typically consists of individuals from diverse manifest groups, each LC member shares a common response profile to a set of items. LCM has typically been conducted on the entire data set for the purpose of determining the degree of overall heterogeneity in the data (e.g. Oliveri, Ercikan & Zumbo, 2013). However, it would be challenging to determine whether there are any subgroups of boys and girls that do better than other subgroups, for instance. Therefore we conducted LCM on the Canadian version of the PISA 2009 reading data for boys and girls separately to investigate how response pattern heterogeneity for boys differed from girls. Considerable heterogeneity within gender was detected that posed validity implications for the gender gap. Additional regression analyses indicated that regardless of gender, high performing LCs (compared to lower performing classes) were more likely to do well in reading, come from higher SES families, speak English at home, enjoy reading, and utilize effective reading strategies. Implications of the results and future research directions are discussed. References Alloway, N. (2007). Swimming against the tide: Boys, literacies, and schooling – An Australian story. Canadian Journal of Education, 30 , 582-605. Alloway, N. & Gilbert, P. (1997). Boys and literacy: Lessons from Australia. Gender and Education, 9 , 49-60. Oliveri, M.E., Ercikan, K., & Zumbo, B. (2013). Analysis of sources of latent class differential item functioning in international assessments. International Journal of Testing, 13 ,272-293. White, B. (2007). Are girls better readers than boys? Which boys? Which girls? Canadian Journal of Education , 30, 554-581.
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 | 0,011 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».