Analyzing TALIS Indicators and PISA Results with Data Envelopment: Comparison of EMS, DEAP and R Software
Notice bibliographique
Résumé
The Teaching and Learning International Survey (TALIS) and the Programme for International Student Assessment (PISA) are large-scale measurements about teaching and learning. There is a link between TALIS indicators and PISA results. We investigated which countries are effective according to TALIS indicators as inputs and PISA 2015 mathematics, scientific, and reading literacy scores as outputs in this research. Common 24 countries' data from TALIS 2013 and PISA 2015 were analyzed. Data envelopment analysis was used in this quantitative research. Belgium, Denmark, Finland, Italy, Korea, Mexico, Netherlands, Norway, and Portugal were found to be effective countries in EMS 1.3, DEAP-XP 2.1, and R-4.0.3 software according to the input-oriented CCR model. Belgium, Canada, Denmark, Estonia, Finland, Italy, Japan, Korea, Mexico, Netherlands, Norway, and Portugal were found to be effective countries in EMS 1.3, DEAP-XP 2.1, and R-4.0.3 software according to the input-oriented BCC model. The results obtained from the BCC and CCR model differ partially. Italy and Norway should be taken as reference the mostly by ineffective countries for getting better PISA score according to both models analyzing with EMS 1.3, DEAP-XP 2.1, and R-4.0.3.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».