Student Dropout from Foundation Program at Modern College of Business & Science, Sultanate of Oman
Notice bibliographique
Résumé
Main reasons for student dropout from higher education may be low academic performance, poor socialization skills, low confidence levels, busy social life and financial issues. As students’ dropout from higher education has been rising, there is a need to understand this problem for finding suitable solutions. Research objectives for this institutional research are to explore patterns in dropout data at Foundation program, establish criteria for identifying students at-risk of dropout and identify areas of improvement for reducing dropout rate, as the dropout problem is high at Foundation level of the college. Research methodology includes application of exploratory study based on analysis of secondary data pertaining to 22 semesters, Spring 2012 to Summer-I 2017. Findings revealed that 1966 students dropped out from Foundation program during the study period with an average of 94 students per semester. Dropout rate was higher among males and was more at Levels I and IV. Though dropout happened in Foundation, academic departments would also experience major loss, as Foundation is the ‘feeder program’ for other bachelor’s programs. It is recommended to have a dropout process flow-chart not only to understand the exit journey of dropping students, but also to reverse the journey. It is recommended to set up a dropout committee, design an early warning system for creating alerts and bifurcate Foundation department into Language sub-department and Technical sub-department (Math and IT courses). It is further recommended to have an effective data management system that would enable administration to reduce dropout rates and create a ‘feel good’ environment for the 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 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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; 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 ».