MétaCan
Menu
Retour à la cohorte
Enregistrement W3004331043 · doi:10.37441/cejer/2019/1/1/3342

Different Forms of Civil Activity and Employment in Hungary and Abroad, and the Development of Student Drop-out

2019· article· en· W3004331043 sur OpenAlexaboutno aff
Valéria Markos, Zsófia Kocsis, Ágnes Réka Dusa

Notice bibliographique

RevueCentral European Journal of Educational Research · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHungarian Social, Economic and Educational Studies
Établissements canadiensnon disponible
Organismes subventionnairesNemzeti Kutatási, Fejlesztési és Innovaciós Alap
Mots-clésDrop outWork (physics)Quarter (Canadian coin)TurnoverPsychologyHigher educationPerceptionDropout (neural networks)Political sciencePublic relationsDemographic economicsPedagogyEconomic growthSociologyMedical educationManagementEconomicsMedicineEngineering

Résumé

récupéré en direct d'OpenAlex

Young people involved in higher education have created a specific culture, to which, in addition to their studies, social and cultural activities associated with university life are also related (Kozma, 2006). Among these activities, student employment and participation in civic organizations should be highlighted. Voluntary and paid work among higher education students is increasing. These activities have several advantages in terms of future benefits; however, the attracting role of the labour market is one possible reason for dropout. In our current research, we emphasize the role of employment and civil activity in the development of student dropout. Masevičiūtė et al. (2018) found that a quarter of students stopped studying for work-related reasons. In addition, a negative perception of the marketability of the course they are on may lead to the interruption of university studies. In our study, we analysed the extent to which students are willing to interrupt their higher education studies in exchange for voluntary work. In our current research, we examined how often and for what reasons students who dropped out did paid work and volunteering during their studies.

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)0,004
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,158
Score d'incertitude au seuil0,256

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,090
Tête enseignante GPT0,405
Écart entre enseignants0,315 · 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

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCentral European Journal of Educational ResearchMême sujetHungarian Social, Economic and Educational StudiesTravaux en français237 207