NEURODIVERSITY IN HIGHER EDUCATION: TIME SERIES DATA ANALYSIS OF THE NEPTUN UNIFIED EDUCATION SYSTEM
Notice bibliographique
Résumé
This paper is linked to the current Diversity, Equality, and Inclusion research in higher education. It uses the Process Model of Inclusion to describe educational data of student groups with special needs, with a particular focus on neurodiversity at the University of Pécs (UP). It explores differences that can be identified when comparing student groups over a 10-year time-series analysis of student data from the Neptun Unified Education System (N = 47,194). Using SPSS, we explore admission rates and faculty distribution at entry, supporting factors during the process, and achievement indicators at the time of exiting university. Our results reveal that neurodivergent students appear in the largest proportion among student groups, nearly half of them receive scholarships, about a third of them acquire language proficiency exam certificates before graduation, and only a quarter of them receive dormitory placement. However, the logistic regression analysis substantiates the rather surprising outcome that neurodivergent students are the most likely to graduate successfully from UP, and they are the least likely to defer semesters during their course of study. Our macro-statistical data provide valuable starting points for our ongoing qualitative research that strives to look beyond these numbers for explanations. Keywords: Process Model of Inclusion, higher education, neurodiversity.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».