MétaCan
Menu
Retour à la cohorte
Enregistrement W2978284117 · doi:10.29329/epasr.2019.208.7

An examination of educational inputs with the data envelopment analysis: The example of ICILS 2013

2019· article· en· W2978284117 sur OpenAlexaboutno aff
Durmuş Özbaşı, Gökhan Ilgaz

Notice bibliographique

RevueEducational policy analysis and strategic research · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueICT Impact and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésData envelopment analysisMathematics educationLiteracyComputer sciencePsychologyStatisticsMathematicsPedagogy

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to determine how efficiently different countries, comparatively, use educational inputs, which are considered to affect information and communication technology literacy. The study was designed using the survey model. The study was conducted with data belonging to 21 countries participating in the International Computer and Information Literacy Study (ICIL) 2013. The data of this study were grouped as educational inputs and educational outputs. The educational inputs were the ratio of school size and teachers, the ratio of school size and number of computers, the ratio of school size and number of computers available for students, the ratio of school size and number of computers with access to internet/World Wide Web, and the ratio of school size and number of smartboards. The educational outputs were determined by the average student grades obtained in ICILS 2013. The data were analysed with data envelopment analysis. The research results revealed that relatively, Australia, Canada (Newfoundland and Labrador, Ontario), Denmark, Korea, and Norway were the countries with total efficiencies. It was determined that with the exception of the Czech Republic, all the countries without total efficiencies had the characteristic of increasing returns to scale. According to the projections that were put forward for countries to become totally efficient, the most reduction recommendations were received for the inputs for ratio of school size and teachers by Argentina (Buenos Aires); for ratio of school size and number of computers, ratio of school size and number of computers available for students, and ratio of school size and number of computers with access to internet/World Wide Web by Turkey; and for ratio of school size and smartboards by Thailand. That is to say, these countries were the ones least able to use these inputs efficiently.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,823
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,096
Tête enseignante GPT0,391
Écart entre enseignants0,295 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEducational policy analysis and strategic researchMême sujetICT Impact and PoliciesTravaux en français237 207