An investigation into the socioeconomic factors correlated with PISA reading scores
Notice bibliographique
Résumé
Literacy is a fundamental skill that is essential to navigate daily life in modern society. Its importance is emphasized by Target 4.6 of the United Nations Sustainable Development Goals, which aims to “ensure that all youth and a substantial proportion of adults, both men and women, achieve literacy and numeracy” by 2030. This study utilized indicators of the Human Development Index to determine the socioeconomic factors most correlated to a country’s youth literacy rates, as measured by its score on the literacy section of the Programme for International Assessment (PISA). We examined the relationship between national PISA reading test scores and nine socioeconomic factors: a country’s mean years of schooling, primary school enrollment, secondary school enrollment, gross domestic product (GDP), GDP per capita, government spending on education, life expectancy, infant mortality, and total population. Triennial data spanning from 2000 to 2018 was gathered for over 80 countries and analyzed by year using simple linear regression models. A combination of Google Sheets, Microsoft Excel, and Python libraries was used to analyze the relationship between literacy and our chosen socioeconomic factors to determine which of the factors were most strongly correlated with youth literacy rates. Our results were interpreted using R2 and Pearson correlation coefficient values. From these results, we concluded that infant mortality, mean years of schooling, and life expectancy exhibit the strongest correlations with PISA test scores, suggesting that the strength of a country’s healthcare system is highly orrelated with its quality of education.
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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».