学生特征、学校特征与学生学业表现——基于机器学习方法的实证研究 |
| |
引用本文: | 赵宇阳,陈越洋,桑标.学生特征、学校特征与学生学业表现——基于机器学习方法的实证研究[J].教育与经济,2023(1):47-58. |
| |
作者姓名: | 赵宇阳 陈越洋 桑标 |
| |
作者单位: | 1. 上海大学社会学院;2. 上海市教育科学研究院教育部“教育大数据与教育决策”实验室 |
| |
摘 要: | 基于PISA2018我国四省市学生和学校的调查数据,在教育生产函数的框架下,通过机器学习的研究方法,探讨不同学生和学校特征在学业表现中的重要性。研究发现,在学生特征方面:个体社会经济地位和课上学习时间在数学、阅读、科学表现中的重要性最突出,且学习时长对学业成绩的影响存在学科差异;学生职业期望在数学和科学成绩上的重要性较为突出;学生的社会经济地位及课上学习时长在高、低学业表现学生群体中的重要性均相对突出。在学校特征方面,弱势学生比例及教师数量在三种学业表现中都相对重要,且其在高、低学业表现学校群体中的重要性相对突出。此外,比较发现,在初中阶段,学校特征类因素对学生学业表现的影响更大。因此,建议提高学生课堂学习的效率,增强青少年对基础学科的认同感;推进公共教育服务均等化,加大对教育资源优越地区相对弱势学生群体的关注力度;调整初中阶段教育资源配置结构,优先保障对学校的投入。
|
关 键 词: | PISA2018 教育生产函数 机器学习 决策树回归 随机森林回归 |
|