Loan Aversion among Canadian High School Students
Bibliographic record
Abstract
Cette étude montre que la volonté d'emprunter pour s'instruire varie considérablement chez certains étudiants issus de milieu socio-économique faible, des Premières nations, et les étudiants de première génération. 1248 étudiants ont participé à une enquête, une évaluation de leur niveau de connaissances numériques et ont pris part à des décisions expérimentales. Pendant ces séances, les étudiants ont été confrontés à une série de décisions binaires rémunérées : bourses vs dollars, prêts d'études pour le postsecondaire vs dollars, des décisions intertemporelles et des décisions risquées. Les décisions binaires rémunérées impliquant un arbitrage entre des dollars et divers types d'aide financière, nous ont permis de générer un coût par dollar du financement de l'éducation (bourses, prêts, mélanges de prêts et de bourses). Les prix pour les différents types de financement de l'éducation se chevauchent de manière substantielle pour permettre de distinguer clairement l'impact de l'aversion pour les prêts sur la décision de prendre ou non l'option d'une aide financière pour poursuivre des études postsecondaires. Les résultats montrent que plusieurs facteurs influencent les décisions des sujets sur le financement de leur éducation, mais l'influence la plus importante est le prix en dollars des subventions à l'éducation. Les participants ont été légèrement influencés par la forme de financement (subvention ou prêt), mais aucune preuve d'aversion pour les prêts n'a été décelée.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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 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".