Understanding factors associated with attending secondary school in Tanzania using household survey data
Notice bibliographique
Résumé
BACKGROUND: Sustainable Development Goal (SDG) 4 aims to ensure inclusive and equitable access for all by 2030, leaving no one behind. One indicator selected to measure progress towards achievement is the participation rate of youth in education (SDG 4.3.1). Here we aim to understand drivers of school attendance using one country in East Africa as an example. METHODS: Nationally representative household survey data (2015-16 Tanzania Demographic and Health Survey) were used to explore individual, household and contextual factors associated with secondary school attendance in Tanzania. These included, age, head of household's levels of education, gender, household wealth index and total number of children under five. Contextual factors such as average pupil to qualified teacher ratio and geographic access to school were also tested at cluster level. A two-level random intercept logistic regression model was used in exploring association of these factors with attendance in a multi-level framework. RESULTS: Age of household head, educational attainments of either of the head of the household or parent, child characteristics such as gender, were important predictors of secondary school attendance. Being in a richer household and with fewer siblings of lower age (under the age of 5) were associated with increased odds of attendance (OR = 0.91, CI 95%: 0.86; 0.96). Contextual factors were less likely to be associated with secondary school attendance. CONCLUSIONS: Individual and household level factors are likely to impact secondary school attendance rates more compared to contextual factors, suggesting an increased focus of interventions at these levels is needed. Future studies should explore the impact of interventions targeting these levels. Policies should ideally promote gender equality in accessing secondary school as well as support those families where the dependency ratio is high. Strategies to reduce poverty will also increase the likelihood of attending school.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».