Modeling Educational Success of First Nations Students in Canada: Community Level Perspectives
Bibliographic record
Abstract
Au Canada, les évaluations portant sur l’éducation des Premières Nations et des autochtones manquent de véritable modélisation concernant les raisons sous-jacentes à des schémas particuliers d’acquisition. C’est ce manque que nous voudrions adresser. Dans cet article nous examinons l’acquisition en éducation dans les communautés des Premières Nations à partir de données provenant du recensement de 1996 ainsi que du sondage sur l’éducation tenu par le département des Affaires indiennes et du Dévelop-pement du Nord pour l’année scolaire 1955/1996; ces données ont été regroupées pour servir au niveau de la bande, et concernent les étudiants indiens et inuits vivant dans les réserves du Canada, qu’ils soient enregistrés ou non. Une analyse de régression séquentielle multiple sert à modéliser les succès en éducation d’étudiants de 12e et 13e années selon des caractéristiques au niveau de la communauté, dont les variables mesurant des composantes telles que l’isolation, le type d’école, la démographie, l’économie et le type de peuplement. Nous nous servons de trois mesures du succès en éducation : le pourcentage selon l’âge approprié à l’année scolaire, celui de finissants et celui de retraits. Le résultat montre que les variables au niveau de la communauté peuvent expliquer le succès en éducation de façon semblable; cependant, les effets des variables sur ces mesures varient à l’intérieur des composantes citées. La démographie et le peuplement jouent un rôle particulièrement important pour chacune de ces trois mesures. Une analyse complémentaire inclut un examen des coefficients centrés réduits de régression. Dans cet article, nous examinons les implications de la recherche et de la politique dans ce domaine, et nous expliquons de nouvelles avenues pour la recherche.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".