Pathways from school to work: A sequence analysis of non‐engaged youth
Notice bibliographique
Résumé
INTRODUCTION: Research on heterogeneous pathways in school-to-work transitions (SWT), particularly longitudinal research, has been limited, as have empirical studies examining effective interventions for facilitating multiple SWT pathways among non-engaged youth (NEY), who are generally at risk of being not in education, employment, or training (NEET). METHODS: To develop a typology of SWT pathways, we conducted sequence analysis with longitudinal data from a sample of 630 NEY aged 14-29 (M = 19.78; 63.65% males) in Hong Kong during a 22-month period beginning in September 2020. We also performed multinomial logistic regressions to assess the impact of career and life development (CLD) interventions on SWT outcomes. RESULTS: Our analysis yielded a fivefold typology of SWT pathways: the Employment/Entrepreneurship cluster (31.27%), the Vocational Education and Training cluster (13.49%), the Generic Education cluster (16.83%), the Serious Leisure Development cluster (15.24%), and the long-term NEET cluster (23.17%). NEY in the intervention group receiving CLD services, inspired by the expanded notion of work (ENOW) and youth development and intervention framework (YDIF), demonstrated significantly higher likelihoods of being in the Employment/Entrepreneurship (OR = 34.5, 95% CI [10.53, 105.08]), Generic Education (OR = 3.74, 95% CI [1.81, 7.74]), Vocational Education and Training (OR = 1.55, 95% CI [1.05, 6.26]), and Serious Leisure Development (OR = 1.77, 95% CI [1.04, 4.46]) clusters than the long-term NEET cluster. CONCLUSIONS: Our findings highlight the dynamic, heterogeneous nature of NEY's CLD journeys, including that CLD interventions based on ENOW-YDIF have had a beneficial effect on NEY's multiple SWT pathways.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».