ACT综合分数和高中成绩点数预测按时完成学位概率的有效性：考察大一学年成绩作为中介变量的研究

莱利 · N · 洛里亚和埃德加 · 桑切斯 Introduction 在过去的几十年中，如ACT分数和高中绩点（HSGPA）等大学前学术指标已被证明是预测高等教育成功的重要工具（Radunzel & Noble, 2012a）。研究表明，使用ACT分数作为预测指标可以提高对各种早期高等教育学业结果（如第一学期GPA）以及长期结果（如学位完成率）的预测准确性（Kobrin et al., 2008；Mattern & Patterson, 2013；Radunzel & Mattern, 2020）。Westrick等人（2021）的研究发现，ACT综合分数（ACTC）和HSGPA都是第一年大学GPA的强有力预测因子，而第一年大学GPA又是第2年和第3年继续攻读学位的最佳预测因子。这些研究显示了ACTC分数与高等教育持续性的强烈预测路径。在模型中包含ACTC分数与仅包含HSGPA的模型相比，在预测大学成功方面表现更为出色（Radunzel & Noble, 2012a）。 当然，其他预测因素对于形成学生能力的完整图景也很重要。例如，Perera和DiGiacomo（2013）的一项元分析发现，诸如情绪智力等特质可以预测学术表现，高水平的这些特质始终能够预测更好的学术表现。其他研究还发现，行为技能如动机和自我调节，以及行为技能前因如尽责性和情绪调节，也是有价值的预测因素，良好的行为能力预测更高的学术成功概率（Camara等人，2015；Caspi和Shiner，2006；Poropat，2009；Robbins等人，2006）。无论其他预测因素的实用性如何，ACT分数一直被视为预测大学成功的重要指标。ACT分数无意取代非认知因素的预测作用。相反，这些分数反映了能使某人在大学中取得成功的成就水平。 HSGPA 是预测大学成功最可预测和常用的标准之一。与ACTC分数不同，它是多维度的成绩衡量标准，也受各种非认知因素的影响。例如，在一项研究中，内在动机模型及其相关次级因素（如对学校的兴趣、课堂的乐趣）解释了大约33%的HSGPA 方差（Froiland & Worrell, 2016）。另一项由Steeadle 和Way（2024）进行的研究发现，各种非认知因素（包括社会情感等）也会影响HSGPA。 技能、人口统计类别以及高中之间差异（如人口统计构成）等因素对高学校业平均成绩（HSGPA）的预测作用显著超越了认知因素（包括ACT分数）。尽管这些发现表明HSGPA可能在预测模型中解释更多的变异度（Allensworth和Clark，2020），但难以确切确定HSGPA所代表的具体潜在特质。 精确性在开发公平且一致的成功模型中至关重要。新冠肺炎疫情后的相关研究（Sanchez, 2024）表明，在2017年至2021年间，高中平均绩点（HSGPA）在预测有效性方面经历了显著的变化，而ACTC分数则相对稳定，这进一步突显了精确性和一致性在解释中的重要性。该研究还发现，同时使用HSGPA和ACTC分数比单独使用其中任何一个都能提供更好的预测准确性。另一项研究（Sawyer, 2010）指出，虽然HSGPA在最小选择性录取决策中更为有用，但ACT和SAT分数对于高度选择性的机构来说更为重要。这两项研究都证明了两种成就指标之间的互补性。考虑到逐步效度原则（Smith等，2003），该原则一般建议为单一潜在构念开发测量工具以保持精确性，ACTC分数作为预测工具对于聚焦认知能力这一潜在变量至关重要。进一步探讨ACT分数如何有效预测大学学位完成率的机制，有助于教育研究人员更好地回应日益严格的审查和透明度要求（Adnett等，2011）。 由于一些审查，在过去几年中，尤其是在COVID-19爆发之后，越来越多的大学开始将其学生的申请中ACT和SAT成绩作为可选要求（Schultz & Backstrom, 2021）。一些研究人员和教育工作者，如Koljatic等人（2021），质疑像ACT这样的标准化测试在预测学生成功和减少录取偏见方面的效用。尽管有关高风险评估中存在偏见的担忧，许多人仍然认为并提供了证据表明，与高中平均成绩（HSGPA）或学生面试等指标相比，标准化考试如ACT不易受到偏见和群体差异的影响（Alvero等人，2021；Briggs, 2021；Otugo等人，2021；Steedle & Way, 2024）。几乎没有证据表明，对于像ACT和SAT这样的标准化测试，不同群体间项目功能存在差异（Santelices &Wilson, 2012）。虽然大学可能认为重视个人陈述或推荐信等指标会使其选择更加公正，但这些指标实际上比分数更容易受到人类偏见的影响（Murphy等人，2009；Woo等人，2023）。事实上，一些研究表明，当使用标准化测验时，可以通过录取决定更好地纠正和调整由系统性问题（如学校资金不足）导致的成绩差异（Woo等人，2023）。像ACT这样的测量工具仍然是确保录取决策公平、减少偏见和人为错误的关键工具。对类似ACT的评估的增量有效性和功效的研究有助于提高高等教育模型预测学生成功的有效性。 在过去的研究中，关于预科学术成就测量有效性的研究大多关注了这些测量与大学一年级 GPA（FYGPA）之间的关系作为大学成功的结果（例如，Allen & Radunzel, 2017）。先前的工作表明，ACT 分数可以预测 FYGPA（Huh & Huang, 2016）。然而，随着高等教育机构的发展， 面对对学生长期表现越来越高的人账期望，仅依靠FYGPA可能不足以全面衡量大学阶段的学术成功。 在当前的教育环境中，高等教育机构面临更大的压力，需要更好地理解并预测学生长期学术成就，并为那些有退学或未能毕业风险的学生提供适当的帮助。因此，近期的研究工作已扩展到更多关注长期大学成功指标，如累计GPA和按时完成学位，以及这些结果的有效预测因素。例如，ACT考试成绩和高中平均成绩（HSGPA）可以预测毕业时的累计大学GPA，并且能够预测四年制院校在6年内和两年制院校在4年内完成学位的概率（ACT, 2013；Radunzel and Noble, 2012a）。其他研究发现，达到ACT大学预备标准会增加某人继续就读大学并在规定时间内完成学位的可能性（Radunzel & Noble, 2012b）。通过将研究范围扩展到早期大学成功之外，研究人员可以更好地检验ACT在长期学术乃至职业生涯成功方面的预测有效性。 尽管有证据表明ACT分数是预测大学预备年级平均绩点（FY GPA）和学位完成率的有效指标，但很少有研究探讨FY GPA如何部分中介学位完成率与预科学术预测因素（如ACT成绩）之间的关系。虽然一些模型已经在预测长期大学成功时包含了FY GPA，但这些变量之间的路径仍然缺乏探索。理解这些因素如何相互作用以产生不同的结果对于提高模型的预测能力至关重要。在大学早期表现不佳，例如FY GPA较低，可能表明准备不足以及缺乏必要的基础知识，这可能导致诸如奖学金资金减少或继续修读更高级课程的可能性降低等问题。这些问题可能会累积并使人更不可能完成学位（Schreiner等，2020）。 在本研究中，我们扩展了先前的研究，这些研究主要集中在评估ACT分数作为预测早期大学成果（如首年平均 GPA）的价值，转而考察ACTC分数预测后期大学成果（如第4年和第6年完成学位）的能力。我们分析了一个合理的预测链，在这个链中，我们预期高中平均 GPA 和 ACTC 分数能够预测首年平均 GPA，而首年平均 GPA 又将预测第4年和第6年的毕业可能性。通过研究这一过程，我们旨在增强高等教育机构预测毕业成功的能力。 开展路径分析以更好地理解ACT分数对未来高等教育学业完成的预测有效性与其早期表现之间的关系，有助于研究人员更深入地了解早期表现与长期表现之间的联系。路径分析使用结构方程建模来解析预测因子和结果之间的直接和间接关系。路径分析可以帮助确定ACTC分数和HSGPA共同对学位完成概率的影响是否部分可以通过这些指标与FYGPA的关系来解释和中介。通过了解这一过程，高中和高等教育专业人士可以更好地识别潜在风险学生。为了更深入地理解HSGPA、ACTC分数、FYGPA与学位完成结果之间的路径关系，我们有两个主要的研究问题。 1. FYGPA 是否中介了HSGPA和ACTC分数对学生在第4年或第6年完成学士学位概率的影响？ 2. 在考虑FYGPA因素后，ACTC分数和HSGPA共同在预测第4年和第6年完成学位的概率中扮演什么角色？ Methods 样品特征 我们的样本包括2017年秋季进入一个美国州的四年制公立高等教育机构的学生，共涉及32所院校。由于该州实施了校内测试项目，几乎所有的公立高中毕业生都参加了ACT考试。仅包含具有有效ACT成绩、高中平均 GPA (HSGPA)、第一学年平均 GPA (FYGPA)、人口统计特征以及四年和六年学位获得状态记录的学生。 措施 ACT 综合评分 ACT综合分数来自官方测试记录。如果学生有多次分数记录，则在其毕业前使用最近的一次分数。这些分数要么来自州内的在校测试管理，要么来自国家级的测试管理。 累积高中 GPA(HSGPA) 在ACT注册过程中，学生报告了他们在数学、英语、科学和社会研究等核心领域最多可达23门课程的成绩，成绩等级范围为0.0至4.0。我们将每位学生的成绩平均，计算出他们的HSGPA（高中加权平均成绩）。缺少HSGPA数据的学生被排除在分析之外。每位学生自我报告的成绩数量可能有所不同，但最多可达23门课程。前期研究表明，自我报告的HSGPA可以作为高中成就的准确衡量标准；自我报告的成绩与正式成绩单上的GPA高度相关（Sanchez & Buddin, 2016）。 大学一年级 GPA(FYGPA) FYGPA 直接从正式的中学后成绩单中获得。 学士学位完成 本科学位的完成直接从官方的高等教育学校成绩单中获得。学位完成情况被测量为两个时间点上的二元变量。那些在开始高等教育学校4年内成功获得学位的人被分配到二元的第4年结果变量为1，而那些未能在4年内获得学位的人则被分配为0。 学位获得情况被赋值为0。同样，到第六年时已完成学位的学生被赋值为1，而未完成学位的学生被赋值为0。 人口统计变量 在ACT考试注册时收集了三个人口统计变量：性别、种族/ Ethnicity 和家庭收入。性别由学生报告为男性或女性（“另一种性别”的选项现在包括在ACT的人口统计数据中，但在本组报告数据时并未提供）。学生从以下选项中选择他们的种族/族裔身份：亚裔、黑人、西班牙裔、美洲原住民/阿拉斯加原住民、夏威夷原住民/太平洋岛民、白人、两个或多个种族，或选择不回答。所有的人口统计信息均以描述性表格的形式提供。由于总体群体数量较少，美洲原住民/阿拉斯加原住民、夏威夷原住民/太平洋岛民和两个或多个种族类别在分析时被合并。自报的家庭收入分为四组：低于36,000美元、36,000美元至60,000美元、60,000美元至100,000美元以及超过100,000美元。我们还包含了一个收入缺失的响应类别，因为有较大比例的收入数据缺失（12%）。 数据与分析 在本项目中，数据进行了聚类处理，学生按照他们最初就读的高等教育机构（即他们第一所四年制高等教育机构）进行嵌套。在总共19,515名学生中，我们包括了30个机构/集群。每所机构的学生人数从98人到4,532人不等。由于每所高等教育机构的独特特性（例如，选择性、可用的资金水平以及学生群体），我们预计这些组别将占到四年和六年完成学位差异的重要部分。事实上，四年时毕业的可能性的校内相关系数为0.14，六年时毕业的可能性的校内相关系数为0.16。通过使用聚类稳健标准误进行路径分析，或通过分层逻辑回归模型，已经考虑到了观察值的聚类情况。 我们使用标准化的高中平均成绩（HSGPA）、ACTC分数和学年平均成绩（FYGPA）作为所有模型中的标准变量