The Best Three Years of Your Life: A Prediction for Three-Year Graduation
Notice bibliographique
Résumé
The 3-year graduation rate is a rarely measured metric in higher education compared to its 4- or 6- year graduation rate counterparts. For the first time in college (FTIC) students to graduate in three years, they must come with certain skills, abilities, plans, supports, or motivations. This project considers two distinct but interrelated ways of using advanced and novel statistical models, the Log-linear Cognitive Diagnostic Model (LCDM) and the Logistic Regression model (LR), to look at both students’ ability to graduate in three years and the characteristics that contribute to this ability. The results indicate that the LCDM is a reliable and efficient statistical model that can provide accurate prediction of students’ ability to graduate early. In addition, student enrolled credit hours in the semester, transfer credit hours, student high school GPA, and student socioeconomic status (EFC) were statistically significant predictors contributing to three-year graduation. The significant interaction between students’ EFC status and transfer credit hours has a meaningfully practical impact on enrollment strategies and institutional policies. Future studies could use the same LCDM model to consider the degree to which these or other characteristics contribute to 4-, 5-, and 6-year graduation rates. Identification of these characteristics could have a policy, student support, and admissions implications. Additionally, the success of the LCDM model in predicting ability could be used for abilities unrelated to graduation, including the ability to pay off loans, succeed in an internship, or give back financially to a university.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».