Please enable JavaScript.
Coggle requires JavaScript to display documents.
H10A - Onderwijs - Theorie - Coggle Diagram
H10A - Onderwijs - Theorie
Studiekeuze: rol psycholoog
Onderwijssysteem Vlaanderen
Studiekeuze en schoolkeuze bepaalt bijna alles
Goedkoop en beperkte toelatingsvoorwaarden
Evidence informed (individuele proces) vs evidence based (groepscriteria, ligt vast)
Student begeleiden via 2 vragen: wat wil ik (PE-fit) en wat kan ik (cogn en niet-cogn factoren)? --> kan via elke afstudeerrichting!
Parktijkvelden: MO, HO, loopbaanbegeleiding (ID-ontw), beleid & onderzoek (bevorderen psych geletterde keuze), edtech & outreach (bv testconstructie?) !LEZEN in slides!
Theorie: wat wil ik?
RIASEC theorie - interesses
SIMON-I is obv RIASEC voor HO --> interesseprofiel en lettercode
RIASEC toepassen op personen, beroepen, studiekeuzes en omgevingen --> goede PE-fit!
PE-fit
klassiek: dimensiecodering (zijn de 2 hoogst scorende dimensies gelijk?)
Correlatie-fit = corr beide profielen, hoe beter ze samen stijgen en dalen, hoe beter de fit
Polynomiale regressie = dimensies als predictoren en studiekeuze als cirterium gaan regresseren op dit --> hoe beter schatting de werkelijkheid benadert, hoe beter de fit vh model. (lineaire en curvilineaire verbanden ok)
PE-fit relatie met STEM studiekeuze: meisjes gemiddeld gezien meer interesse in stem als jongens, als ze interesse hebben :female-scientist:
Methode
UNESCO-def voor wat STEM-richtingen zijn: volgens euclastische meting
Analyses: Logistische regressie en ROC curve --> STEM-fit voorspelt STEM-studiekeuze + effect is sterker voor meisjes
Hypotheses
Effect STEM-fit op STEM-studiekeuze gemodereerd door gender: sterker effect voor meisjes
Meisjes betere opleidingsfit met studiekeuze tov jongens
STEM-fit voorspelt studiekeuze voor STEM
Resultaten
Verklaarde variantie hoog van fit en studiekeuze; gender interactie-effect, geen aparte predictor
Als geslacht alleen in model zit: neg effect = meisjes kiezen minder vaak STEM
Als geslacht met andere predictoren in model zit (PE-fit/interesses) - pos effect = meisjes kiezen vaker voor stem
= als meerdere factoren gelijk gehouden worden, kiezen meisjes eigenlijk vaker voor stem dan jongens
= confounding (andere factoren verstopten dit effect)
ROC-curve
= grafiek vd sensitiviteit ifv de aspecificiteit voor een binaire classifier (discriminatiedrempel varieert)
= ook fractie echte positieven (=sensitiviteit) tov fout-positieven (=aspecificiteit; de mensen die wij denken dat stem zullen kiezen en die geen stem kiezen)
Sensitiviteit = hoe goed kunnen we voorspellen dat studenten voor stem zullen kiezen?
Specificiteit = hoe goed kunnen we voorspellen dat studenten NIET voor stem kiezen?
Vrouwen fitten 8-10% beter dan mannen
Discussie en conclusie
Vrouwen sterker effect van PE-fit, maar minder van stem-voorbereiding
Als vrouwen stem kiezen, is het meer vanuit echte interesse tov jongens ook vaker omdat ze goed zijn in wiskunde --> ze vertonen dan na studiekeuze een betere fit
Student die STEM kiest: goede fit met STEM-domein, spec RIASEC profiel en had in MO STEM-voorbereiding
Genderkloof verkleinen in STEM --> stem-interesseprofiel bij vrouwen faciliteren en bewust maken v interesses en mogelijke keuzes
Alle RIASEC dimensies meenemen!
Theorie: wat kan ik?
Studie: Welke basisskills heb je nodig om in HO te slagen en hoe goed kunnen we dit dat voorspellen obv die skills?
Inleiding
Lage slaag% HO, vnl in open toegangssystemen
Lage instapkost tov rest Europa
Mogelijke verklaring: ongelijke niveaus basisskills (veel variantie)
OV: Hoe accuraat voorspellen basisV slagings% in HO?
Hypothese
Relatie tss voorspelde falende lln en toename foutenration zal volgens curve exponentieel verval zijn
Bv. Bij foutenmarge 5%/20% zal 29%/58% juist als falen voorspeld w en daarvan zal 5%/20% het toch halen
Duidelijk onderscheid kunnen maken tss studenten met redelijke kans op slagen en hoge kans op falen obv basisV
Methode
AIC = bepaalt relatieve infowaarde model obv maximum-likelihoodschatting (hoe goed model data verklaart) en aantal parameters (Xen, complexiteit model))
Als model 2 AIC-waardes lager scoort, w het als sign beter beschouwd
Methode specifiek om predicitiefouten te minimaliseren (tov variantie)
Analyses
Welke predictoren zijn belangrijk in welke richting?
Resultaten
In sommige richtingen zijn meer predictoren (skills) van belang dan in andere richtingen (bv psy vs taalkunde) --> Reden: psy vereist diversere skills en publiek psy is diverser
Beste algemene voorspellers: resultaten ih MO + IQ (populatieniveau)
SES geen effect, maar lage SES ondervertegenwoordigd in unief-populatie!
Ad voorspelling geen beslissing vasthangen! Want resultaten populatieniveau mag je niet op individueel niveau interpreteren!
Discussie
58% falende studenten succesvol identificeren bij lagere foutenratio
Studenten kunnen hiermee evidnece-informed beslissing nemen voor remidiering of herorientering
Studie-uitval HO open toegang adequaat voorspellen obv basisskills nodig voor opleiding