Understanding Postsecondary Persistence Based on the Perspective of the Lived Experiences of Alaska Native Students
Notice bibliographique
Résumé
This applied dissertation was designed to better understand the factors that influence postsecondary persistence among Alaska Native students. Alaska Native students continue to have the lowest college persistence rate in the country (Benjamin et al., 1993; Brayboy et al., 2012; Bull, 2024; Guillory & Wolverton, 2008; Larimore & McClellan, 2005; National Center for Education Statistics, 2018; National Student Clearinghouse Research Center, 2022; Patterson Silver Wolf et al., 2021; Tachine et al., 2017). Alaska ranks 50th in the country when it comes to the number of students (33%) who enroll and graduate college within 6 years (Alaska Commission on Postsecondary Education, 2023; National Center for Education Statistics, 2024). It is a priority to increase college persistence for Alaska Native students, and initiatives have been implemented in Alaska high schools and universities across Alaska, as well as tribal colleges across the United States, yet Alaska Native students continue to lag far behind their peers when it comes to persisting in college. In this qualitative study, several factors that have an influence on postsecondary education persistence for Alaska Native students were identified. These factors include teachers, the opportunity to take courses that involve career research and postsecondary planning, college readiness, the ability to adapt to a college culture, having a sense of belonging, having adequate counseling support, access to tutoring services both at the high school and college level, and the ability to navigate higher education landscape including processes such as financial aid.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».