Digital capital and belonging in universities: quantifying social inequalities in the Philippines
Notice bibliographique
Résumé
This study examines social inequalities in Philippine universities that were exacerbated during the COVID-19 pandemic. A quantitative approach using a national sample of 677 university students was utilized to measure the mediating role of digital capital on social inequalities associated with belonging to academic spaces. For the purpose of determining direct and indirect impacts, structural equation modeling (SEM) was employed. Sociodemographic (i.e., gender, age, type of residence, and family income) and educational (i.e., type of university, year in the university, and excellence criterion) characteristics were the direct predictors that were examined as exogenous variables for both digital capital and belonging. Results indicate that type of residence (β=0.200, p<0.05), family income (β=0.220, p <0.001), and excellence criterion (β=0.271, p <0.01) are major determinants of digital capital. The model also shows that belonging is significantly predicted by age (β=0.087, p <0.05), family income (β=-0.207, p <0.001), and digital capital (β=0.576, p <0.001). Lastly, the findings reveal that the impacts of type of residence (β=0.116, p <0.05), family income (β=0.127, p <0.001), and excellence criterion (β=0.156, p <0.001) on belonging are successfully mediated by digital capital. These results suggest that there are indeed differences in students’ abilities to accumulate digital capital and that digital capital enhances the sense of belonging to and together in academic spaces for certain groups.
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 | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».