Strukturální a sociální podmíněnost výsledků českých žáků David Greger, Hana Voňková, (Martin Chvál) Univerzita Karlova v Praze, Pedagogická fakulta 4. Seminář UNCE „Centrum výzkumu základního vzdělávání“ (č ) PedF UK,

Strukturální a sociální podmíněnost výsledků českých žáků  Strukturální podmíněnost – charakteristika vzdělávacího systému –tracking – (vnější/časná) diferenciace vzdělávacích drah. Víme o ní ale stále málo!  Sociální podmíněnost – vysoká závislost výsledků českých žáků na rodinném zázemí.

PISA 2009 Nárůst skóru čtenářské gramotnosti odpovídající jednotkovému nárůstu indexu ESCS na úrovni školy a na individuální úrovni žáka

Výsledky žáků se zhoršují, zvětšují se rozdíly v kvalitě škol ICC - Koeficient mezitřídní korelace pro výsledek v matematice + "science„ a jeho vývoj v čase MATSCI 8. Ročníkv % rozd í ly mezi školami se zvyšuj í v % TIMSS TIMSS TIMSS

Výzkumné otázky:  Které faktory/proměnné pomáhají vysvětlit rozdíly mezi školami?  Zjistit rozdíly ve výsledcích žáků v matematice (TIMSS ročník) jednotlivých typů škol (víceletá gymnázia a výběrové ZŠ).  Proč data TIMSS 2007 a ne novější? - Jedinečná možnost analýzy, - Diferenciace se odehrává větší měrou na v nižší sekundární škole, ICC na 1. stupni nižší a zdá se, že neroste (ICC PIRLS 2001 = 0,17, ICC PIRLS 2011 = 0,14)

TIMSS th Grade data analysis  Deskriptivní analýza pro jednotlivé typy škol (SES žáků v různých typech škol)  2-úrovňový HLM model: - Závisle proměnná: 1. PV v Matematice - Úroveň 1 - žáci (kontrola) proměnné: SES žáka, pohlaví, velikost sídla bydliště žáka (6 kategorií) - Úroveň 2 (škola): typ školy (track) (od 2 po 7); školní SES; školní klima (škála TIMSS); „velikost školy“ - Vážená data (školní i studentské váhy) Analýzy prováděny s pomocí stat. software R

Proměnná „Typ školy – (track)“  2 typy = VG a ZŠ  Ale ZŠ má mnoho dalších typů, data TIMSS 2007 umožňují pohled na až 7 odlišných škol se zaměřením

Model: Vliv typu š koly a dom á c í ho z á zem í ž á ků na výsledky v matematice (Straková 2010) koef.s.ch.koef.s.ch.koef.s.ch. konstanta-1,2080,168-1,2520,124-1,6880,116 VG1,1140,138 1,223 0,083 1,506 0,101 SES0,1670,030,1630,0280,1850,019 vysvětlen á variance37% 41% 53% v š e signifikantn í na 1% hladině stat. významnosti

Vytváření indexu SES  Dle mezinárodních standardů Caro&Cortés (2012) na PIRLS 2006 datech  PCA (Hlavní komponenta) ze čtyř proměnných: nejvyšší dosažené vzdělání rodičů (HIED matky/otce), Prestiž povolání rodičů (nejvyšší ISEI matky/otce), index vlastnictví věcí v domácnosti – PC, internet, myčka (Rasch score) a počet knih v domácnosti.  Problém především v chybějících hodnotách vzdělání a prestiže povolání rodičů; missings not MCAR => we used multiple imputations (package mi in R software)  SES jsme standardizovali na z-skór

Vytváření indexu SES (pokr.)  Problém především v chybějících hodnotách u vzdělání a prestiže povolání rodičů; missings not MCAR => použili jsme imputace - multiple imputations (package mi v softwaru R)  SES jsme standardizovali na z-skór

Kvartilový graf pro SES žáků v různých typech škol

Průměrný SES za školu a výsledek v matematice, porovnání různých typů škol

Výsledky 2-úrovňového HLM modelu  Zavedení typu školy (2 typy – ZŠ a VG) na úrovni 2 vysvětlí 66 % variance mezi školami, s pozitivním efektem na výsledek v matematice u žáků VG.  Zavedení 7 typů škol do modelu (VG (+118), ZŠ_Mat.(+84), ZŠ_jazyk. (+51), ZŠ-IT (+30), ZŠ_VV&HV (-15), ZŠ_Sport (+18), v porovnání k “nevýběrové ZŠ” (488 Math score), vysvětluje 71% between-school variance.  Smysluplně na 3 tracky VG, ZŠ-výb. akademická-ML, ostatní ZŠ (nevýběr. a výchovné+IT) 72% variance

Výsledky 2-úrovňového HLM modelu  Level 1: kontrola pro studentské proměnné (pohlaví, vel. Bydliště, žSES) - Žákovské proměnné vysvětlují 23 % rozdílů mezi školami. Nejvýznamnější je žákovo rodinné zázemí (SES) coef. 15,6, pak místo bydliště (3,6, na škále 1-6) a pohlaví (3,6) sta. Významné na 5% hl. významnosti.  a na úrovni 2: track (VG + ZŠ_ML + ZŠ ost.), school SES, school climate – model vysvětluje celkově 81 % variance mezi školami ve výsledcích v MAT.

Výsledky 2-úrovňového HLM modelu  Typ školy je nejvýznamnější prediktor výsledku v matematice. Žáci na VG mají o 88 bodů lepší výsledek než žáci ostatních ZŠ a žáci ZŠ ML mají o 65 bodů lepší skor v MAT, po kontrole o žákovské proměnné.  Druhý nejvýznamnější prediktor je školníSES, (interakce schoolSES*track) na VG vzrůst o jednotku schoolSES znamená nárůst o 10 bodů, na ZŠ_výb_ML nedochází ke změně. Zde nehraje roli peer-efekt stejně jako na VG? Možná intepretace VG mají navrch hlavně díky větší selektivnosti.  Školní klima má celkově nejslabší vliv na výsledky žáků, koef. 6,2 na škále 1-3. Při maximálním zlepšení školního klimatu nárůst o 12,4 bodu. Ovlivnitelné?

Výsledky 2-úrovňového HLM modelu  Velikost školy je statisticky nevýznamná po očištění o ostatní proměnné (není předmětem dnešního semináře)

Závěry  Diferencované vzdělávací systémy vedou ke zvyšování vzdělanostních nerovností a nezlepšují celkový výsledek vzdělávání.  Málo rozumíme podstatě fungování diferenciace v ČR – chybí kvalitativní výzkumy, málo kvantitativních dat, nár. statistik (např. žákovské matriky a průchod soustavou).  Longitusdinální data jsou příslibem k vyřešení efektivity diferenciace v ČR i porozumění průchodu systémem (life- course perspective)

Cesta dále?  Longitudinální data s údaji o výsledcích žáků (prior achievement)  CLoSE (Czech Longitudinal Study in Education) – sledování TIMSS&PIRLS 2011 žáci 4. ročníku ZŠ až na konec střední školy.

Vzdělávací dráha – nejen VG, ale mnoho cest  Longitudinální data s údaji o výsledcích žáků (prior achievement)  Selektivita systému na vstupu – předškolní kohorta  Ale i volba, z dat CLoSE vyplývá: z Jazykových škol největší podíl cuhazečů o studium na VG (35% vs. 17% ostatní ZŠ), úspěšnost ale stejná. Z těch, co s enedostanou na VG je již 28 % na jazykových školách a dalších 15% přechází na jinou školu (zřejmě výběrovou?) – policy implications?