Worldwide shadow education and social inequality: Explaining differences in the socioeconomic gap in access to shadow education across 63 societies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article examines the cross-national differences in socioeconomic accessibility to shadow education (SE) across 63 societies. Drawing on arguments from two competing theoretical models either emphasizing cross-national cultural, economic, and institutional differences (e.g. model of secondary schooling, scale of SE) or universally working social reproduction mechanisms (e.g. enrichment features of SE), this study provides a novel approach to understanding the role of SE for social inequality. More specifically, while the first model explicitly allows equality in access to SE, the latter suggests that SE fosters inequality under all circumstances. Using data from the 2012 Program for International Student Assessment (PISA) and official sources, first, the difference in the probability of top in comparison to bottom socioeconomic strata to use SE is predicted separately for all societies, before analyzing what causes the found considerable cross-national variation in the socioeconomic gap in access to SE at the country level. Results indicate that differences in SE access are linked to incentives for high-performing students to use SE. These incentives are especially common in societies with higher educational institutional differentiation (e.g. early or mixed tracking schooling models). In societies with less stratified education systems, access to SE is more equal, wherefore the potential effect of SE to social inequality is dampened. Overall, findings suggest that simple generalizations based on existing theoretical models provide no comprehensive explanation for the connection between SE and inequality. Instead, prominent beliefs about the relationship between SE and inequality are questioned.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle