6 - Effet des caracteristiques pre-admissions et de l’experience du systeme universitaire sur la perseverance aux etudes en enseignement superieur : perspective de recherche en Afrique
Bibliographic record
Abstract
L’enseignement supérieur est considéré comme un moyen privilégié pour former une main-d’œuvre hautement qualifiée visant à assurer le progrès économique et social d’un pays. Romainville et Michaut 2012 ...mais les universités publiques africaines peinent généralement à maintenir les étudiants qui y accèdent . Zagré 2007 Le but de cet article est d’analyser l’effet des caractéristiques pré-admissions (contexte familial, caractéristiques personnelles, expérience scolaire antérieure) et de l’expérience du système universitaire (expériences de classe, ressources universitaires dont les bourses, prêts ou subventions) sur la persévérance aux études en enseignement supérieur au moyen d’une revue systématique des écrits scientifiques selon les neuf étapes proposées par Gough (2007). Malgré différentes opérationnalisations selon les études, les caractéristiques pré- admissions, l’expérience du système universitaire et la persévérance aux études sont interreliées. Une étude a proposé le rôle médiateur de l’expérience du système universitaire dans la relation entre les caractéristiques pré-admissions et la persévérance aux études en enseignement supérieur. Ce rôle se traduit par le fait que celle-ci permet de réduire des inégalités liées aux caractéristiques pré-admissions. L’utilisation de données sur plusieurs années est appropriée pour estimer l’impact longitudinal du rôle médiateur avec un modèle robuste comme celui de Tinto (1997).
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 | 0.030 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.028 | 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".