Quality of Educational Resources: A Comparative Evaluation of Schools That Joined PISA 2015 from Turkey and Singapore
Notice bibliographique
Résumé
The objective of the study was to make a comparison among the two countries according to the level of sufficiency of educational resources and to determine the accuracy level at which variables related to educational resources can classify the schools on the basis of countries. Relational survey model was used. The sample group of the study was comprised of 186 schools from Turkey and 174 schools from Singapore for a total of 360 schools. Descriptive analyses and chi-square statistics were used to put forth whether there are differences with regard to the items. Logistic regression analysis was used to make an accurate classification of the schools according to their countries. Statistically significant differences between Turkish and Singapore schools were attained as a result of the chi-square analyses in all variables including lack of educational material, inadequate or poor quality educational material, lack of physical infrastructure and inadequate or poor quality physical infrastructure variables. A total of four variables included in the study explain about 60 % of the variance of Turkish and Singapore schools in having adequate educational resources. The equation obtained from analysis shows that lack of educational material is more important than lack of physical infrastructure. This alone puts forth that school success is related more to the quality of educational material than to physical inadequacies. As a result of the logistic regression with these variables, it was determined that the equation classifies 82% of the total number of 360 schools accurately. As a general conclusion of the study, it was observed with regard to its contributions to the model acquired via logistic regression.
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 | 0,001 |
| 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) | 0,001 | 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 ».