Relationships between Students’ Socioeconomic Status, Parental Support, Students’ Hindering, Teachers’ Hindering and Students’ Literacy Scores: PISA 2018
Notice bibliographique
Résumé
This research was conducted in Turkey and it examined the relationships between fifteen-year-old students’ PISA 2018 literacy scores and student-level and school-level variables. This study aimed to examine the relationships between students’ hindering, teachers’ hindering, socioeconomic status, parental support and student achievement. The research is a correlational study. A relational screening model was used in this research. Six thousand eight hundred and ninety students from one hundred and eighty-six schools in twelve regions of the Nomenclature of Territorial Units for Statistics (NUTS) Level 1 joined PISA 2018 in Turkey. OECD selected these students randomly. In PISA 2018, school sampling was determined by a stratified random sampling method. Teachers’ hindering, students’ hindering questionnaires are from the school principals’ questionnaire and the parental support questionnaire was taken from the student questionnaire. Additionally, students’ genders and their socioeconomic status were taken from the background questionnaire. To analyze these variables, a hierarchic linear model was used. Multilevel structural modeling (MSEM) was selected and Bayesian estimation with latent variables was performed. There are direct relationships between students’ genders, socioeconomic status, teachers’ hindering behaviors, students’ hindering behaviors, parental support and Turkish students’ reading skill scores. There is also an indirect relationship between teachers’ hindering behavior and students’ reading skill scores via students’ hindering behavior.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».