Unraveling the school-to-work transition of non-engaged youth: A continuous-time Markov chain analysis
Notice bibliographique
Résumé
It is widely acknowledged that school-to-work transitions (SWTs) for non-engaged youth (NEY) often involve not just one status change but multiple status changes, and are frequently dynamic, nonlinear, and complex. However, less attention has been paid to analyzing and visualizing the transition from one status to another, especially under different interventions, within the SWT process. In our study, we utilized longitudinal data from a sample of 228 NEY aged 14–29 ( M = 18.90; 48.25 % males) in Hong Kong to examine the changes in transitional status among NEY using Markov chain analysis. Additionally, we compared the changes in the transitional statuses between NEY who received only information-oriented interventions and those who received both information-oriented and experiential interventions. Our analysis presents a transition probability matrix that quantifies transition probabilities among not only conventional education and employment statuses but also NEY’s new pursuits, such as fill-in jobs, serious leisure development (SLD), and vocational education and training (VET). Additionally, our study highlights the significance of the fill-in job, VET, and SLD statuses, which showcase their multiple, complex, and critical functions deserving further attention. Furthermore, our research found a synergistic effect of combining the information-oriented and experiential interventions that bring about positive outcomes in terms of multiple status changes. In sum, our findings offer a nuanced yet comprehensive perspective for understanding NEY’s dynamic and complex transitions among different SWT statuses, shedding light on the varying multiple status changes under distinct interventions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».