The CG Equation: A Probabilistic Approach to Predict Doctoral Success Likelihood
Notice bibliographique
Résumé
Abstract Doctoral attrition (DA) is a phenomenon of graduate students choosing to discontinue graduate studies and is universally encountered across all academic disciplines. Key parameters, that are typically perceived as valuable by Ph.D. students, are identified from a systematic literature review; and the CG probabilistic equation is formulated to predict the likelihood of a successful Ph.D. experience, called the Doctoral Success Likelihood (DSL), thus minimizing; possibly eliminating DA. Our model provides prospective/novice graduates with a novel framework to self-assess and predict the success likelihood of their Ph.D. journey. Such a framework enables the graduate student to judiciously self-assess and make a rationally informed decision about their career, rather than taking a blind leap of faith. Our equation also accommodates force-majeure circumstances (such as a pandemic, the bereavement of a loved one, mental health issues, etc.), which may significantly impact the time taken to graduate (TTD); leading to a candidate choosing to drop out. Such circumstances typically derail/delay doctoral progress, and can push an initially feasible set of probabilities, into an undesired “infeasibility triangle”. Higher the net probability values obtained from our equation, stronger the likelihood of an enriching Ph.D. experience. When periodically tracked, our proposed equation can also help students identify and calibrate their own doctoral experience, while capturing tangible feedback and perspectives for both students, and supervisors. One author presents his own doctoral journey, applying the CG equation to evaluate DSL values for his Ph.D., over a three-year period.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,007 |
| 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 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 ».