Comparaison entre les étudiants de première génération et de seconde génération : engagement, rendement et persévérance
Bibliographic record
Abstract
Cette thèse s’inscrit dans l’interdisciplinarité ; elle recourt aux données de l’Enquête \nnationale sur la participation étudiante (NSSE) de 2014 et y exploite des variables scolaires \npour chaque répondant afin de vérifier s’il y a des différences entre les étudiants de \npremière et de seconde génération dans une université bilingue et triculturelle du nord de \nl’Ontario. Une recension des écrits sur le thème fait remarquer des contradictions, \nsoulève des questions et note l’absence d’études sur le sujet en Ontario français. Les analyses quantitatives comparent 514 étudiants en première année d’études sur les \nfacteurs d’engagement, de rendement et de persévérance dans les études ainsi que sur la \nlangue d’usage. Nous avons trouvé peu de différences en ce qui a trait au profil des \nrépondants et noté un nombre limité de divergences entre les deux groupes concernant \nl’engagement dans les études. Les analyses sur la langue d’usage ont fait voir \npassablement plus de différences entre les groupes sur le facteur d’engagement dans les \nétudes : les étudiants inscrits dans des programmes de langue française présentent un \nmeilleur rendement scolaire pour les crédits accumulés. Toutefois, le facteur \npersévérance dans les études n’a fait voir aucune différence entre les catégories \nd’étudiants, ce qui soulève des doutes sur ce résultat. Soixante-seize individus ont livré des remarques sur la qualité de leur expérience \nuniversitaire que nous avons classées en neuf thématiques et analysées en lien avec les \nquestions de l’outil. Les commentaires signalent un nombre de convergences et quelques \ninconsistances dans les données quantitatives. Bien que cette recherche signale plus de différences entre les deux groupes d’étudiants \nque nous l’avions prévu, les divergences relevées sur le facteur d’engagement \ncorroborent celles des recherches repérées dans la littérature, sauf pour la dimension de la \nlangue d’usage qui suscite d’autres questionnements. Cette recherche souligne des \nsimilitudes et des divergences entre les deux catégories d’étudiants et propose des \nenquêtes ultérieures dans le but de trouver où conduisent les nouvelles avenues qui se \nsont présentées.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".