Znalosti uchazečů o studium na VŠE Petr DOUCEK, Miloš MARYŠKA, Hana MIKOVCOVÁ, Lea NEDOMOVÁ Vysoká škola ekonomická, Praha.

Prezentace na téma: "Znalosti uchazečů o studium na VŠE Petr DOUCEK, Miloš MARYŠKA, Hana MIKOVCOVÁ, Lea NEDOMOVÁ Vysoká škola ekonomická, Praha."— Transkript prezentace:

1 Znalosti uchazečů o studium na VŠE Petr DOUCEK, Miloš MARYŠKA, Hana MIKOVCOVÁ, Lea NEDOMOVÁ Vysoká škola ekonomická, Praha

2 Obsah Otázky výzkumu – O průzkumu – širší rámec Metodika výzkumu – Sběr dat – Modely pro vyhodnocování dat Výsledky – Matematika – Cizí jazyky Závěry a další cesty výzkumu

3 Otázky výzkumu Základní otázky: – Jak systém vzdělávání na středních školách připravuje na vstup na školy vysoké - VŠE – Existují vztahy mezi výsledky studia na středních školách a na vysoké škole.

4 Metodika – sběr dat Data pro tento projekt jsou pravidelně sbírána během přijímacího řízení od všech uchazečů o studium. V souladu s ustanovením zákona č. 101/2000 Sb., o ochraně osobních údajů, jsou pro potřeby zpracování data uchazečů anonymizována a dále se s nimi pracuje tak, že jsou od nich odděleny osobní identifikátory a jsou zpracovávána bez možnosti zjistit jakého uchazeče dříve označovala. Další data o výsledcích zkoušek jsou získávána z universitního informačního systému jednorázovým přenosem dat. Vlastní analýza a modelování pak probíhá nad propojenými plně anonymizovanými daty.

5 Metodika – datové modely Pro zpracování dat byl vytvořen datový model v aplikaci MS SQL Server 2008 R/2. Tento model respektuje principy business intelligence, díky čemuž bylo možné vytvořit analytické datové kostky (OLAP). (Kimbal, Caserta, 2004; MacLennan, Tang, Crivat, 2009). Pro analýzu dat jsme využili dva odlišné přístupy. První přístup byl založen na využití OLAP kostek v MS SQL Server 2008 R/2, ve kterých byl vytvořen větší počet statistických ukazatelů (např. median, průměr, maximum, minimum, směrodatná odchylka a další), které umožnily data statisticky popsat. Druhý přístup k hodnocení dat byl založen na využití aplikace Microsoft Excel 2010. Jejím prostřednictvím byla získaná data rovněž analyzována prostřednictvím statistických metod. Kombinace vhodných dimenzí (např. Rok přijímací zkoušky, Zvolený studijní obor, Jazyk přijímací zkoušky atd.) ke zvoleným ukazatelům (Počet žadatelů o studium, Průměrná hodnota získaných bodů z přijímací zkoušky z jazyka, Střední hodnota výsledku přijímací zkoušky z matematiky, Korelace mezi dosaženými body atd.) umožnila data účinně a velmi detailně analyzovat a identifikovat jak trendy, tak i vzájemné závislosti mezi daty. Kombinace dvou výše uvedených přístupů umožnila jak vzájemnou verifikaci výsledků získaných funkcemi různých technologií, tak zejména rozšířit paletu možných statistických analýz. Důvodem je skutečnost, že množiny funkcí v aplikacích MS SQL Server a MS Excel jsou částečně disjunktní.

6 Forma studia na fakultách

7 Výsledky – přijímací zkoušky Země původu uchazeče 201020112012 Česká republika85,51%84,22%83,36% Slovenská republika8,05%8,07%7,85% Ruská federace2,11%3,18%3,07% Vietnamská socialistická republika0,81%1,29%1,47% Ukrajina1,06%1,26%1,45% Kazachstán0,60%0,85%0,92%

8 Matematika 201020112012 Avg.MedAvg.MedAvg.Med. Česká republika 65.5370.0061.3660.0059.7260.00 Slovenská republika 73.5780.0067.6370.0067.3770.00 Ruská federace 79.4485.0071.8975.0077.8180.00 Vietnamská socialistická republika 69.1670.0068.0370.0068.3670.00 Ukrajina 74.6980.0071.2975.0064.6565.00 Kazachstán 78.5380.0068.0485.0073.8680.00

9 Cizí jazyky Jazyk Celkem za tři roky 201020112012 Anglický77,31%76,63%76,95%78,04% Německý12,98%14,33%12,77%12,43% Francouzský6,08%5,58%6,61%5,85% Španělský3,63%3,46%3,67%3,68% Celkem100,00%

10 Anglický jazyk N=37.636 201020112012 Avg.Med.Avg.Med.Avg.Med. Česká republika66,5068,0066,9568,0065,9967,50 Slovenská republika74,7978,0072,0674,0072,4474,00 Ruská federace74,2978,0071,5974,0072,0774,00 Vietnamská socialistická republika 66,9870,0073,1676,0072,9176,00 Ukrajina74,6980,0071,6374,0067,5668,00 Kazachstán75,6078,0066,9870,0071,8476,00

11 Anglický jazyk 201020112012 n %Avg.Med.n %Avg.Med.n %Avg.Med. Gymnázium60,8372,5374,0065,2672,1374,0061,4071,7874,00 Ekonomické školy 23,3659,3258,0020,2058,4558,0021,6557,1856,00 Odborné školy 15,8054,6954,0014.5355,6154,0016,9656,2356,00

12 Německý jazyk N=6.317 201020112012 Avg.Med.Avg.Med.Avg.Med. Česká republika 67,0970,0067,1268,0064,4765,00 Slovenská republika 74,2076,0074,6878,0067,7166,25 Ruská federace 63,1164,0069,3170,0055,1455,00 Vietnamská socialistická republika 73,7780,0073,5876,0068,5867,50 Ukrajina 59,2656,0055,6357,0061,9165,00 Kazachstán 73,00 62,5067,0055,8064,00

13 Německý jazyk Něměcký jazyk 201020112012 n %Avg.Med.n %Avg.Med.n %Avg.Med. Gymnázium70,0571,3574,0075,5970,4372,0072,1068,2070,00 Ekonomické školy 17,7061,4062,0013,0057,5756,0014,5058,6857,50 Odborné školy 12,2551,4047,0011,4156,1056,0013,4050,6645,00

14 Francouzský jazyk N=2.961 201020112012 Avg.Med.Avg.Med.Avg.Med. Česká republika58,2056,0054,8954,0055,6355,00 Slovenská republika64,6268,0056,1354,0061,0162,50 Ruská federace58,3562,0054,7060,0051,7948,75 Vietnamská socialistická republika 48,4050,0050,2254,0058,6162,50 Ukrajina54,8954,0066,7572,0049,7242,50 Kazachstán53,00 44,0046,0092,50

15 Francouzský jazyk 201020112012 n %Avg.Med.n %Avg.Med.n %Avg.Med. Gymnázium80,9761,8162,0084,9857,8856,0086,2358,0957,50 Ekonomické školy 12,6148,1144,009,5141,5638,008,3045,9042,50 Odborné školy 6,4249,5240,005,5144,4845,005,4651,4150,00

16 Španělský jazyk N=1.766 201020112012 Avg.Med.Avg.Med.Avg.Med. Česká republika 65,4872,0055,6356,0057,9857,50 Slovenská republika 70,1174,0070,3976,0060,2257,50 Ruská federace 66,3564,0039,8237,0040,3337,50 Vietnamská socialistická republika 0,00 63,00 80,00 Ukrajina 36,8640,0051,6746,0044,1737,50 Kazachstán 59,00 36,6730,0056,25

17 Španělský jazyk 201020112012 n %Avg.Med.n %Avg.Med.n %Avg.Med. Gymnázium 72,9873,5776,0070,9261,4962,0078,3962,6562,50 Ekonomické školy 13,7154,1847,0016,3446,7044,0012,0949,4345,00 Odborné školy 13,3158,3656,0012,0945,1338,009,5248,2240,00

18 Závěry a diskuse Rozhodující podíl uchazečů o studium na VŠE v Praze pochází z České republiky (jejich podíl velmi zanedbatelně klesá), druhou nejčetnější skupinou jsou uchazeči ze Slovenské republiky (jejich podíl také velmi mírně klesá), další skupinou jsou studenti z Ruské federace (jejich počet vzrostl za tři sledované roky o jeden procentní bod), následovaní studenty z Ukrajiny. Počty bodů, získaných z přijímací zkoušky z “Matematiky”, trvale klesají při zachované náročnosti těchto testů. A to bez ohledu na národnost studentů nebo na typ střední školy, z níž uchazeči pocházejí. Dosažené výsledky přijímacího řízení se neřídí normálním rozdělením, ale mají tendenci oddělit průměrné a podprůměrné uchazeče od těch ostatních – hranice je někde kolem 55,00 – 60,00 bodů. Přijímací zkouška také neidentifikuje výrazně špičkové uchazeče v matematice.

19 Závěry a diskuse Uchazeči z gymnázií získávají výrazně vyšší počet bodů z matematiky než uchazeči z jiných typů středních škol. Anglický jazyk je nejfrekventovanějším jazykem v přijímacím řízení na VŠE v Praze; pro přijímací řízení si jej volí vice jak ¾ uchazečů; nejlepší výsledky v počtu získaných bodů ve sledovaném období vykazovali uchazeči z Vietnamské socialistické republiky, Slovenské republiky a Ruské federace. Četnost výskytu získaných bodů z přijímací zkoušky vyhovuje normálnímu rozdělení, což odovída jednak korenktně připraveným testům, jednak měří poměrně dobře znalosti uchazečů. Nejlepší výsledky, co do počtu získaných bodů v anglickém jazyce mají uchazeči z gymnázií. U něměckého, francouzského a španělského jazyka za projevuje relativně malá četnost zjištěných výsledků. Kvalita výuky i ostatních jazyků na gymnáziích výrazně převyšuje kvalitu výuky na ostatních typech středních škol (je symbolizována počtem získaných bodů z přijímacích zkoušek).

20 Otevřené problémy – Zkusit vypočíst závislosti mezi výsledky přijímacího řízení, maturitních zkoušek a výsledků bakalářského (magisterského) studia. – Přesvědčit učitele, aby do systému ISIS nevkládali pouze známka, ale i body (zjemnění korelací). – Získat další data z roku 2013 a dalších let. – Pro výpočet závislostí se nespokojit pouze s lineárními modely, ale vyzkoušet i jiné možnosti.