Dropout, School Performance and Working while in School : An Econometric Model with Heterogeneous Groups
Bibliographic record
Abstract
Exploitant les données d'une enquête canadienne sur les sortants de l'école secondaire, nous trouvons que les déterminants de la performance scolaire, les déterminants de la décision de travailler ou non pendant les études secondaires et celle d'abandonner ou non l'école doivent prendre en considération l'existence de deux groupes distincts d'étudiants. Un premier groupe d'étudiants privilégie la scolarisation et la performance scolaire plutôt que le marché du travail. Le second groupe considère l'accès rapide au marché du travail comme prioritaire aux études et succès scolaire. En supposant que les termes d'erreurs des équations de ce modèle avec groupes hétérogènes sont corrélés, nous aboutissons à une série de termes d'un normale quadrivariée comme éléments de la fonction de vraisemblance de ce modèle. Les résultats économétriques montrent que d'être une femme, fréquenté une école privée et avoir des parents scolarisés augmentent la probabilité d'appartenir au groupe d'étudiants privilégiant les études. De plus, nous trouvons que travailler moins de 15 heures par semaines pendant les études a relativement peu d'effet sur la probabilité d'abandonner les études secondaires, que l'âge légal d'accès au marché du travail importe dans la décision d'abandon, que les salaires minimums influencent cette décision de même que la situation courante sur le marché du travail. Nous tirons de ce résultat plusieurs politiques d'intervention visant à réduire l'abandon des études secondaires.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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 source (direct Gemma or distilled Codex), 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".