Statistical Modeling of Students’ Academic Performances: A Longitudinal Study
Notice bibliographique
Résumé
Within students’ attrition studies, it is necessary to assess the longitudinal evolution of students within a given course of study, from enrolment to exit from the university through degree completion and academic dropout. Here, the student's academic progress is monitored through the number of courses failed each semester enrolled. The students’ failure rate and academic behavior typically provide significant insight into students’ exit outcomes from University programs. These programs usually have a maximum time frame required to complete the course. A likelihood-based approach is discussed that conditions on the exit outcome and random effects in adjusting within-subject correlation of longitudinal measurements. Ignoring the number of courses enrolled by a student may produce inadequate results on the actual failure rates. Conditioned on the exit outcomes of the student, we find out that factors such as financial aid, matriculation points, students’ race and course type registered, and gender are distinguishing factors that affect students’ academic performances, for completers and dropouts. Also, being in university-type accommodation (that often have added services such as transportation and internet connections) does not seem to significantly affect the failure rate within both groups of students. In addition, an increase in matriculation points significantly reduces the failure rate independent of the Quintile school of the student. Several count models such as mixed Poisson, mixed Zero Inflation Poisson, mixed Negative Binomial, and mixed Hurdle Poisson models are fitted and compared. In particular, the mixed Poisson model provides a better fit based on the Bayesian Information Criterion and residues analysis.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».