Education Statistics: Looking for Case-Study for Modeling
Notice bibliographique
Résumé
The article deals with the problem of using modeling in social statistics courses. It allows the student-researcher to build one-dimensional and multidimensional models of the phenomena and processes that are being studied. Social Statistics course programs from foreign universities (University of Arkansas; Athabasca University; HSE University, Russia; McMaster University, Canada) are analyzed. The article provides an example using the education data set – Guardian UK universities ranking in Social Statistics course. Examples of research questions are given, data analysis for these questions is performed (correlation, hypothesis testing, discriminant analysis). During the research the discriminant model with group variable – modified Guardian score – and 9 predictors: course satisfaction, teaching quality, feedback, staff-student ratio, money spent on each student and other) was built. Lower student’s satisfaction with feedback was found to be significantly different from the satisfaction with teaching. The article notes the modeling and statistical analysis should be accompanied by a meaningful interpretation of the results. In this example, we discussed the essence of university ratings, the purpose of Guardian rating, the operationalization and measurement of such concepts as satisfaction with teaching, feedback; ways to use statistics in education, data sources etc. with students. Ways of using this education data in group and individual work of students are suggested.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».