THE IMPACTS OF MENTORSHIP ON DUAL ENROLLMENT HIGH SCHOOL STUDENTS
Notice bibliographique
Résumé
"Dual enrollment programs enable high school students to take community college courses and earn high school and college credits, saving two years of college expenses. However, many dual enrollment students lack a robust support system for success in college-level coursework and environment. The authors created an interdisciplinary mentorship program that pairs a volunteer dual enrollment senior student with a dual enrollment junior student in a longitudinal mentoring relationship to address this. This study examined mentors’ and mentees’ long-term evaluation of the program and its impacts. Thirty-nine mentors and mentees were randomly matched with a waitlist control group, and mentoring relationships lasted for a full academic quarter. Participants later completed an anonymous online feedback survey (based on the Likert Scale), with a response rate of 67% (n = 26). Mentees reported an average 1.37 Likert scale increase in their comfort in dual enrollment; mentors reported an average 2.43 Likert scale increase in confidence in teaching others. Mentees’ comfort in the college environment increased with the frequency of meetings (p<0.05); the number of meetings did not correlate to their grade point average (GPA) (p>0.05). Change in dual enrollment comfort was more significant among matched students than waitlisted (p<0.05). Notably, many dual enrollment programs have a ~10% student academic probation rate (GPA<2.0) each quarter; none of the mentees experienced academic probation, but this was not significant. Among mentees, 79% reported interest in being a mentor the following year. These results indicate that peer mentorship is crucial for dual enrollment student success and presents a self-sustaining model for the future."
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».