Selection Criteria of Appropriate Methods Between Covariance-Based, Partial Least Squares, and Generalized Structured Component Analysis in Structural Modeling
Notice bibliographique
Résumé
This study employs covariance-based (CB), partial least squares (PLS), and Generalized Structured Component Analysis (GSCA) to model the relationships between Participatory, Transparent, and Accountable School Management (PS), Teacher Competence and Performance (KG), Learning Quality and Relevance (MR), and Learning Achievement (CP) using National Assessment (AN) data from 833 senior secondary schools (SMA) in Indonesia.CP is measured at the school level in terms of numeracy, literacy, and character, while MR is positioned as a mediating variable linking PS and KG to CP.Because the indicator data deviate from multivariate normality, the CB model is estimated with a robust MLR estimator, while PLS and GSCA are treated as component-based alternatives.In all three SEM frameworks, PS exhibits a strong and significant effect on MR, KG shows a positive but relatively small effect on MR, and MR demonstrates a moderate and significant effect on CP.The R² for MR is high, whereas the R² for CP is moderate, indicating that factors outside the model also influence learning outcomes.Substantively, the findings underscore the strategic role of school management and classroom learning quality, while methodologically, they offer empirical insights into the application of CB, PLS, and GSCA to non-normally distributed data.
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 | 0,147 | 0,413 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».