Characteristics of and Equity in Education Systems
Bibliographic record
Abstract
Het belang van onderwijs als hefboom voor sociale inclusie is de voorbije decennia fors gestegen. Onderwijs wordt immers beschouwd als een cruciale determinant van iemands kansen op de arbeidsmarkt, diens levenskwaliteit en levensverwachting. Gelijke onderwijskansen groeiden daarmee de voorbije decennia uit tot een heikel thema binnen de onderwijsproblematiek in vele landen. Het streven naar gelijke onderwijskansen houdt in dat schooluitkomsten van leerlingen niet (of zo weinig mogelijk) samenhangen met de sociaaleconomische status (SES), migratiestatus en/of thuistaal van leerlingen. Vele onderwijssystemen hebben de voorbije decennia reeds heel wat middelen ingezet op het realiseren van gelijke onderwijskansen, waarronder Vlaanderen. Toch tonen internationale studies, zoals PISA en TIMSS, aan dat vele landen er tot op heden niet in slagen om de onderwijsongelijkheid tegen te gaan. Ook Vlaanderen behoort hiertoe: PISA-onderzoek toont aan dat Vlaanderen er enerzijds in slaagt hoge gemiddelde prestaties te behalen (al is het gemiddelde prestatieniveau sinds 2000 aanzienlijk gedaald), maar anderzijds faalt op vlak van gelijkheid. Er zijn echter ook landen zoals o.a. Denenmarken, Finland en Canada die het wel goed doen op vlak van gelijkheid. Dit laatste leidt tot vragen zoals ‘Hoe komt het dat andere landen er wel in slagen de onderwijsgelijkheid te verbeteren?’, ‘In welk opzicht verschilt Vlaanderen van deze landen?’ en ‘Wat kan Vlaanderen veranderen aan haar beleid om gelijke onderwijskansen efficiënter te realiseren?’. Om deze vragen te kunnen beantwoorden, is er in eerste instantie nood aan een comparatief, internationaal en intertemporeel kader. Op die manier kunnen onderwijssystemen (en hun kenmerken) met elkaar worden vergeleken en hebben we inzicht in de trends doorheen de tijd. In dit rapport focussen we op het creëren en analyseren van dit comparatief, internationaal en intertemporeel kader. We verzamelen daarvoor allerhande kenmerken van onderwijssystemen in twee periodes (2003 en 2015). Zowel sociaal, economische en demografische kenmerken, als kenmerken omtrent de structuur, regulering, participatie, segregatie, en leerkrachten van een onderwijssysteem worden verzameld. Vervolgens correleren we al deze kenmerken met een maatstaf van onderwijsongelijkheid om na te gaan welke kenmerken mogelijk (deels) verklaren waarom sommige landen er beter in slagen (dan Vlaanderen) om gelijkheid te realiseren. Uit onze analyses komt naar voren dat er een sterke negatieve samenhang is tussen de Human Development Index (HDI), de financiering in het basisonderwijs (per leerling), de leeftijd waarop leerlingen worden ‘getracked’ en de onderwijsongelijkheid. Met andere woorden: hoe hoger de HDI, hoe hoger de financiering in het basisonderwijs (per leerling) en hoe later leerlingen worden ‘getracked’, des te lager de onderwijsongelijkheid in een onderwijssysteem. Verder observeren we ook een sterke positieve samenhang tussen het aantal ‘tracks’ in een onderwijsysteem en de onderwijsongelijkheid, wat aangeeft dat meer ‘tracks’ in een onderwijssysteem, samengaat met meer onderwijsongelijkheid. Op basis van deze resultaten kunnen we besluiten dat bovenvermelde kenmerken moeten betrokken worden in toekomstig onderzoek. Het zou immers kunnen dat verschillen tussen landen inzake de onderwijsongelijkheid gedeeltelijk te wijten is aan verschillen tussen landen in de HD, de financiering in het basisonderwijs, de leeftijd waarop leerlingen worden ‘getracked’ en het aantal ‘tracks’ in een onderwijssysteem.
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 | 0.002 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.001 |
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".