MétaCan
Menu
Retour à la cohorte
Enregistrement W2555290403

Reconsidering Dropout Prevention by Understanding Dropouts

2014· dissertation· en· W2555290403 sur OpenAlexaboutno aff
Eddie Gillis

Notice bibliographique

RevueQSpace (Queen's University Library) · 2014
Typedissertation
Langueen
DomainePsychology
ThématiqueResilience and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDropout (neural networks)PsychologyComputer scienceMachine learning
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

ABSTRACT
\n
\nKnowing that the decision to leave school before graduating has a dramatic effect on the lives of the people who make this choice, why would anyone leave school before graduating from high school in Canada? School is important, and parents bring their children to school brimming with the hope their children will do well. Notwithstanding this hope, every elementary school classroom in Canada has two or more children who are likely to drop out of school. If these children live in an inner-city or a reserve, the likelihood they will not graduate increases dramatically. In fact, Grade 1 teachers who teach on reserves in Canada can look at the students in their classrooms and know that more than half of these students are unlikely to graduate. This project is an attempt to address this issue by understanding more about why students drop out, particularly students who are disadvantaged due to low socioeconomic status (SES) and/or Aboriginal status. It consists of a general introduction to the topic (Chapter 1), an extensive review of theories with respect to dropping out (Chapter 2), two workshops, one to increase understanding of these theories and another that addresses the effects poverty has on the neurocognitive development of children (Chapter 3), and reflections on the process (Chapter 4). It is largely intended for teachers and administrators who would like to understand the dropout phenomenon and increase graduation rates for disadvantaged students.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,186
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,283
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueQSpace (Queen's University Library)Même sujetResilience and Mental HealthTravaux en français237 207