A felvételi pontszám előrejelző ereje az egyetemi sikerességre egy nagymintás longitudinális kutatás eredményei
Article Sidebar
Main Article Content
Absztrakt
Az egyetemi sikerességet meghatározó tényezők vizsgálata közel ötven éves múltra tekint vissza (Tinto, 1975). A hallgatók összetételének, illetve a környezeti tényezők folyamatos változása miatt általános modellt alkotni nehéz (Clercq és mtsai, 2017), sőt a kutatások eredménye sokszor ellentmondásos. A tanulmány keretein belül az ország egyik vezető egyetemén megvalósuló követéses vizsgálat adatait elemeztük abból a célból, hogy (1) összegyetemi szinten feltérképezzük a felvételi pontszám tanulmányi sikerességre, majd diplomaszerzésre gyakorolt előrejelző erejét, (2) jellemezzük ugyanezen jelenség működésének mechanizmusait a főbb képzési területeken, azaz az egyetemi struktúrát alapul véve képzési területi bontásban elemezzük, hogy a felvételi pontszám alapján milyen mértékben jelezhető előre a sikeres tanulmányi teljesítmény, majd a diplomaszerzés. Az elemzés mintáját az egyetem bemeneti kompetenciamérésén részt vett 3248 hallgató eredményei, illetve a hallgatók követéses tanulmányi adatai képezték. Az adatfelvétel az eDia rendszer támogatásával valósult meg. Az eredmények alapján összegyetemi szinten a felvételi pontszám pozitív és közepes erősségű előrejelző erővel bírt az első évben megszerzett kreditek mennyiségére, ami már közepes-erős erővel jelezte előre a későbbi diplomaszerzést. A felvételi pontszám diplomaszerzést közvetlenül előrejelző hatása alacsony szintűnek bizonyult. A karonként lefuttatott modellek és útegyütthatóik között jelentős különbségek manifesztálódtak, ugyanakkor megállapítható, hogy a lemorzsolódás csökkentése és a sikeres diplomaszerzés támogatása céljából képzési területtől függetlenül elsődlegesen a tanulmányaikat kezdő hallgatók azon sajátosságaira érdemes fókuszálni, amelyek módosíthatóak, és a leginkább meghatározó erővel bírnak az első két szemeszter sikeres elvégzésére, ugyanis az első éves sikeres egyetemi teljesítmény komoly előrejelző erővel bír a későbbi sikeres diplomaszerzésre.
Letöltések
Article Details
Funding data
-
Hungarian Scientific Research Fund
Grant numbers K135727 -
Magyar Tudományos Akadémia
Grant numbers KOZOKT2021-16
Hivatkozások
Ahmad, Z., & Shahzadi, E. (2018). Prediction of students’ academic performance using artificial neural network. Bulletin of Education and Research, 40(3), 157–164.
Akessa, G. M., & Dhufera, A. G. (2015). Factors that influence students’ academic performance: A case of Rift Valley University, Jimma, Ethiopia. Journal of Education and Practice, 6(22), 55–63.
Alyahyan, E., & Düştegör, D. (2020). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(3), 1–21. https://doi.org/10.1186/s41239-020-0177-7
Aulck, L., Velagapudi, N., Blumenstock, J., & West, J. (2017). Predicting student dropout in higher education. ICML Workshop on #Data4Good: Machine Learning in Social Good Applications. https://doi.org/10.48550/arXiv.1606.06364
Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2020). Dropping out of university: a literature review. Review of Education, 8(2). 614–652 DOI: 10.1002/rev3.320
Behr, A., Giese M., Teguim Kamdjou, H. D., & Theune, K. (2021). Motives for dropping out from higher education - An analysis of bachelor's degree students in Germany. European Journal of Education, 56(2), 325–343. https://doi.org/10.1111/ejed.12433
Bayer, J., Bydzovska, H., Geryk, J., Obsivac, T., & Popelinsky, L. (2012). Predicting dropout from social behaviour of students. In Kalina Y., Osmar Z., Arnon H., Michael Y. & John S. (eds.) EDM 2012 Proceedings of the Fifth International Conference on Educational Data Mining. (pp. 103–109)
Brooker, A., Brooker, S., & Lawrence, J. (2017). First year students’ perceptions of their difficulties. Student Success, 8(1), 49–62. DOI: 10.5204/ssj.v8i1.352
Casanova, J. R., Fernández-Castañón, A. C., Pérez, J. C. N., Almeida, L. S., & Gutiérrez, A. B. B. (2018). Factors that determine the persistence and dropout of university students. Psicothema, 30(4), 408–414. http://doi.org/10.7334/psicothema2018.155
Clercq, M., Galand, B., & Frenay, M. (2020). One goal, different pathways: Capturing diversity in processes leading to first-year students' achievement. Learning and Individual Differences, 81(101908), 1–11. https://doi.org/10.1016/j.lindif.2020.101908
Czakó A., Németh L., & Felvinczi K. (2019). A felsőfokú képzés befejezésére irányuló szándék előrejelzői. Educatio, 28(4), 718–736.
D. Molnár É., & Gál Z. (2019). Egyetemi tanulmányaikat megkezdő hallgatók tanulási mintázata és tanulói profilja. Iskolakultúra, 29(1), 29–41.
Díaz I., Bernardo A. B., Esteban M., & Rodríguez-Muñiz L. J. (2021). Variables influencing university dropout: A machine learning-based study. In Herrero Á., Cambra C., Urda D., Sedano J., Quintián H., Corchado E. (eds.) The 11th International Conference on EUropean Transnational Educational (ICEUTE 2020). Advances in Intelligent Systems and Computing, 1266. (pp. 93–104). https://doi.org/10.1007/978-3-030-57799-5_10
Dinyáné Szabó M., Pusztai G., & Szemerszki, M. (2019). Lemorzsolódási kockázat az orvostanhallgatók körében. Orvosi Hetilap, 160(21), 829–834.
Farruggia, S., Han, C., Watson, L., Moss, T., & Bottoms, B. (2018). Non cognitive factors and college student success. Journal of College Student Retention: Research, Theory & Practice, 20(3), 308–327. https://doi.org/10.1177/1521025116666539
Fenyves V., Bácsné Bába É., Szabóné Szőke R., Kocsis I., Juhász Cs., Máté E. & Pusztai, G. (2017). Kísérlet a lemorzsolódás mértékének es okainak megragadására a Debreceni Egyetem Gazdaságtudományi Kar példáján. Neveléstudomány, 7(3), 5–14.
Fónai, M. (2018). Hallgatói lemorzsolódás a Debreceni Egyetemen. In: Pusztai, G. & Szigeti, F. (szerk.:). Lemorzsolódás és perzisztencia a felsőoktatásban. (pp. 239–250.) Debrecen
Hallgatói Önkormányzatok Országos Konferenciája és Felsőoktatási Tanácsadás Egyesület [HÖOK–FTE] (2016). A hallgatói sikerességet akadályozó tényezők és azok intervenciói. Budapest. http://www.feta.hu/kiadvanyok/a-hallgatoi-sikeresseg-tamogatasa-projekt-osszegzo-tanulmanyai; Utolsó letöltés: 2020.10. 10.
Heublein, U. (2014). Student drop-out from German higher education institutions. European Journal of Education, 49(4), 497–513. https://doi.org/10.1111/ejed.12097
Hovdhaugen, E., Kottmann, A., Thomas, L., & Vossensteyn, J. J. (2015). Dropout and completion in higher education in Europe: annex 1: literature review. European Union. https://doi.org/10.2766/023254
Kehm, B. M., Larsen, M. R., & Sommersel, H. B. (2019). Student dropout from universities in Europe: a review of empirical literature. Hungarian Educational Research Journal, 9(2), 147–164. https://doi.org/10.1556/063.9.2019.1.18
Kerülő J. (2018). Menni vagy maradni? - Lemorzsolódás a felsőoktatási intézményekben, okok és megoldási javaslatok. In: Pusztai, G., & Szigeti, F. (szerk.:) Lemorzsolódás és perzisztencia a felsőoktatásban. (pp. 170–189.) Debrecen
Kocsis Á., & Molnár Gy. (2023). Factors influencing academic performance and dropout rates in higher education. Unpublished manuscript.
Koning, B. B., Loyens, S. M. M., Rikers, R. M. J. P., Smeets, G., & Molen, H. T. (2012). Generation psy: student characteristics and academic achievement in a three-year problem-based learning bachelor program. Learning and Individual Differences 22(3), 313–323. https://doi.org/10.1016/j.lindif.2012.01.003
Kőrössy J., Jagodics B., Martos T., & Szabó, É. (2021). Faktorok, magyarázatok a sikeres és sikertelen felsőoktatási tanulmányok hátterében: A pszichológiai tényezők szerepe a lemorzsolódásban. Magyar Pszichológiai Szemle, 76(1), 127–156.
Kryshko, O., Fleischer, J., Waldeyer, J., Wirth, J., & Leutner, D. (2020). Do motivational regulation strategies contribute to university students' academic success? Learning and Individual Differences, 82, 101912. https://doi.org/10.1016/j.lindif.2020.101912
Kusurkar, R. A., Ten Cate, T. J., Vos, C. M., Westers, P., & Croiset, G. (2013). How motivation affects academic performance: a structural equation modelling analysis. Advances in health sciences education: theory and practice, 18(1), 57–69. https://doi.org/10.1007/s10459-012-9354-3
Larsen, M. R., Sommersel, H. B., & Larsen, M. S. (2013). Evidence on dropout phenomena at universities. Copenhagen: Danish Clearinghouse for Educational Research.
Li, K. C., & Wong, B. T.-M. (2019). Factors related to student persistence in open universities: Changes over the years. The International Review of Research in Open and Distributed Learning, 20(4), 132–151. https://doi.org/10.19173/irrodl.v20i4.4103
Lukács F., & Sebő, T. (2015). Az egyetemi lemorzsolódás kérdőíves vizsgálata. Iskolakultúra, 25(10), 78–86.
Marinela, I., Alexandru B., & Haralambie, A. (2020). Preventing university dropout: the relation between the student vulnerability features and academic performance in the first year. Paper presented at the 6th International Conference on Higher Education Advances. https://doi.org/10.4995/HEAd20.2020.11139
Mazzetti G., Paolucci A., Guglielmi D., & Vannini I. (2020). The impact of learning strategies and future orientation on academic success: The moderating role of academic self-efficacy among Italian undergraduate students. Education Sciences, 10(5), 134–145. https://doi.org/10.3390/educsci10050134
Merchán-Clavellino, A., Martínez-García, C., Salguero-Alcañiz, M. P., Paíno, S., & Alameda-Bailén, J. R. (2019). Quality indicators in higher education: analysis of psychosocial factors of students. Journal of Psychology and Education, 14(1), 27–37. https://doi.org/10.23923/rpye2019.01.169
Miskolczi P., Bársony F., & Király G. (2018): Hallgatói lemorzsolódás a felsőoktatásban: elméleti, magyarázati utak és kutatási eredmények összefoglalása. Iskolakultúra, 28(3-4), 87–105.
Molnár Gy. (2019). Nőtt az egyetemi tanulmányaikat kezdő diákok tanulási potenciálja és problémamegoldó képessége: években mérhető különbségek a diákok között. Iskolakultúra, 29(1), 3–16.
Molnár Gy. & Csapó, B. (2019). A felsőoktatási tanulmányi alkalmasság értékelésére kidolgozott rendszer a Szegedi Tudományegyetemen: elméleti keretek és mérési eredmények. Educatio, 28(4), 705–717.
Molnár Gy., Hódi Á., D. Molnár É., Nagy Z., & Csapó B. (2021). Assessment of first-year university students: Facilitating an effective transition into higher education. In Engler, Á. & Bocsi, V. (Eds.), Új kutatások a neveléstudományokban 2020. Debrecen. in Press.
Molontay, R., & Nagy, M. (2023). How to improve the predictive validity of a composite admission score? A case study from Hungary. Assessment & Evaluation in Higher Education, 48(4), 419-437.
Musso, M. F., Hernández, C. F. R., & Cascallar, E. C. (2020). Predicting key educational outcomes in academic trajectories: a machine-learning approach. Higher Education, 80(5), 875–894. https://doi.org/10.1007/s10734-020-00520-7
Naaman, H. (2021). The academic dropout wheel analyzing the antecedents of higher education dropout in education studies. The European Educational Researcher, 4(2), 133–153. DOI: 10.31757/euer.421.
OECD (2019). Education at a glance 2019: OECD indicators. Paris: OECD Publishing.
Pellagatti, M., Masci, C., Ieva, F., & Paganoni, A. M. (2021). Generalized mixed-effects random forest: A flexible approach to predict university student dropout. Statistical Analysis and Data Mining: The ASA Data Science Journal, 14(3), 1–17. https://doi.org/10.1002/sam.11505
Pinxten, M., Fraine, B. D., Noortgate, W. van den, Damme, J. Van, Boonen, T., & Vanlaar, G. (2014). ‘I choose so I am’: A logistic analysis of major selection in university and successful completion of the first year. Studies in Higher Education, 40(10), 1919–1946.
Pusztai G., Fényes, H., Szigeti, F., & Pallay, K. (2019). Dropped-out students and the decision to drop-out in Hungary. Central European Journal of Educational Research, 1(1), 31–40.
Pusztai G., Demeter-Karászi Z., Alter E., Marincsák R., & Dabney-Fekete I. D. (2022). Administrative data analysis of student attrition in hungarian medical training. BMC Medical Education, 22(1), 1–10. https://doi.org/10.1186/s12909-022-03276-z
Richardson, M., Abraham, C., & Bond, R. (2012). Psychological correlates of university students' academic performance: A systematic review and meta-analysis. Psychological Bulletin, 138(2), 353–387. https://doi.org/10.1037/a0026838
Rodríguez-Hernández, C. F., Musso M., Kyndt, E., & Cascallar, E. (2021). Artificial neural networks in academic performance prediction: systematic implementation and predictor evaluation. Computers and Education: Artificial Intelligence, 2, 100018. https://doi.org/10.1016/j.caeai.2021.100018.
Schneider, M., & Preckel, F. (2017). Variables associated with achievement in higher education: A systematic review of meta-analyses. Psychological Bulletin, 143(6), 1–36. http://dx.doi.org/10.1037/bul0000098
Séllei B., Stumphauser N., & Molontay, R. (2021). Traits versus grades: the incremental predictive power of positive psychological factors over pre-enrolment achievement measures on academic performance. Applied Sciences, 11(4). 1744. https://doi.org/10.3390/app11041744
Siri, D. (2015). Predicting students’ dropout at university using artificial neural networks. Italian Journal of Sociology of Education, 7(2), 225–247.
Srairi, S. (2022). An analysis of factors affecting student dropout: the case of Tunisian universities. International Journal of Educational Reform, 31(2) 168–186. https://doi.org/10.1177/10567879211023123
Tinto, V. (1975). Dropout from Higher Education: A theoretical synthesis of recent research. Review of education research, 45(1), 89–125. https://doi.org/10.3102/00346543045001089
Tinto, V. (2006). Research and practice of student retention: what next? Journal of College Student Retention:Research, Theory and Practice, 8(1), 1–19.
van Rooij, E., Brouwer, J., Fokkens-Bruinsma, M., Jansen, E. P. W. A., Donche, V., & Noyens, D. (2018). A systematic review of factors related to first-year students’ success in Dutch and Flemish higher education. Pedagogische Studien, 94(5), 360–405.
Westrick, P. A., Schmidt, F. L., Le, H., Robbins, S. B., & Radunzel, J. M. R. (2021). The road to retention passes through first year academic performance: A meta-analytic path analysis of academic performance and persistence. Educational Assessment, 26(1), 35–51. DOI: 10.1080/10627197.2020.1848423
York, T. T., Gibson, C., & Rankin, S. (2015). Defining and measuring academic success. Practical assessment. Research & Evaluation, 20(5), 1–21.