准备的力量：严格的高中课程与ACT综合成绩的关系

EDGAR I. SANCHEZ 结论 研究发现，严格的高中课程—尤其是在数学和科学方面—与较高的ACT成绩密切相关®综合分数。完成基础水平（例如，代数以外的数学）的学生高级课程和学习科目（除fo II之外，包括生物学、化学和物理学）的学生整体表现优于准备不那么严格的同学。虽然机器学习模型在预测准确性方面略微优于传统回归方法，但该研究发现分层线性模型对于教育研究仍然非常有效且更具可解释性。 那又怎样？ 这项研究很重要，因为它提供了有力的证据，表明严格的中学教育不仅提高了ACT成绩，也加深了我们对课程作业—尤其是在数学和科学方面—不理解教育公平。虽然高级课程作业对所有学生都有益，但收益是不公平的或不高f白人、亚洲人和高收入学生，揭示他与种族、性别和社会经济地位相关的持久差距。这些发现强调了有针对性地采取干预措施和支持体系以确保所有学生都能从严格的学术准备中充分受益的必要性。 现在怎么办？ 这项研究的启示很明确：学校和决策者必须优先考虑扩大严格课程（尤其是在数学和科学方面）的入学机会，以提升大学准备能力和ACT成绩。然而，仅仅提供高级课程是不够的。研究中的差距依然存在，这意味着有针对性的支持是必不可少的。表明人口统计确保所有学生平等受益。 关于作者 致谢 作者感谢诺拉·戴利和凯特·沃尔顿对这份报告先前草稿的评论。 埃德加·I·桑切斯 桑切斯博士是ACT公司的一名首席研究员，他在那里研究高等教育招生、国家考试项目、考试准备的有效性以及干预措施的有效性。在他的职业生涯中，桑切斯博士既专注于研究高中与大学之间的过渡，也致力于支持学生及其家庭以及大学管理者的决策能力。他的研究在学术文献和媒体中得到了广泛引用，包括华尔街日报,华盛顿邮报,美国今天，以及教育行业出版界。 引言 对学生高中教育能否为高等教育成功做好准备的有效性担忧，自20世纪末以来一直是教育改革中的一个重要课题。诸如关键报告等一个濒临危险的国家和教育状况2019突出了美国高中未达标的区域，促使毕业要求更加严格，并更加重视严谨的学术课程（美国卓越教育委员会，1983年；麦克法兰等人，2019年）。结果是不仅需要增加课程数量，还需要确保数学和科学等核心学术领域的准备质量。由于对技术素养和STEM相关技能的需求持续增长，这些问题在今天尤为突出。 标准化大学入学考试如ACT多年来一直是评估学生大学准备情况的重要组成部分。高中课程，尤其是数学和科学，与ACT表现之间的关系一直是大量研究的焦点。Noble和McNabb（1989）的基础性研究揭示了课程学习和学业表现如何影响ACT结果。这项研究强调了强大的高中课程，尤其是在STEM科目上，对学生成功通过大学入学考试有显著贡献。然而，自1980年代末以来，教育环境发生了显著变化，这通常是由采用共同核心标准以及将先进技术融入教学方法等改革所驱动的。这些转变要求我们使用现代统计方法并采用更近期群体的数据来更新先前的研究，以便我们更好地理解学生层面的特征如何影响高等教育的成功。 拉登策尔和诺布尔（2012）指出了严格的高中课程与高考成绩之间的密切关系。这项研究表明，在高中选修更具挑战性的课程的学生不仅ACT成绩更好，而且更有可能成功进入大学。这项研究特别强调了学术严谨性的预测能力，强化了高中准备对于学生准备标准化考试成绩和长期学业成就具有关键作用的观点。莱恩等人（1987）和哈韦尔等人（2016）的进一步研究提供了强有力的证据，表明选修更多的数学和科学课程，尤其是高级课程，会导致ACT分数更高。莱恩等人（1987）发现，在特定学科领域增加课程选择对ACT数学和科学成绩的影响最强。同样，哈韦尔等人（2016）表明，完成至少三年高中数学（包括高级课程）的学生更有可能达到ACT大学准备基准。施埃尔等人（1996）和诺布尔等人（1999）表明，即使在研究中控制了先前的学业成绩，选修高级数学和科学课程的学生也显著提高了ACT分数。此外，这些趋势在全国的高中中是一致的，表明严格课程的益处扩展到多种高中环境。 测试表现然而并非在真空中发生。McNeish等人（2015）对大学准备的多维性提供了见解，强调了它有多重要。 考虑学生层面和学校层面的特征。例如，虽然高中平均成绩（HSGPA）在ACT综合分数中解释了最大量的差异，但非认知因素最多解释了4%的额外差异。这项研究说明了个人学术准备、非认知因素和其他机构因素之间的复杂关系，为理解标准化考试成绩提供了一个综合框架。 教育成果，如标准化考试成绩，已被证明会受到种族、家庭收入和性别等人口因素的影响。这些人口因素之间的差异导致了高中数学成绩测试分数上的差距，这本身反映了教育中代表性不足群体所面临的一个更广泛的系统性障碍（Riegle-Crumb & Grodsky, 2010）。 统计方法学的进步有可能在考察课程作业、人口统计因素和ACT表现之间的关系方面提供新的机遇。传统的回归模型可以通过分层或混合建模技术更有效地对群体嵌套进行建模。分层建模特别适合教育研究，因为它考虑了学生在学校内的嵌套结构，因此能对个体和机构对教育成果的影响进行更细致的分析（Raudenbush & Bryk，2002）。此外，像梯度提升机这样的机器学习技术为分析和探索传统教育研究问题提供了新的机遇。机器学习方法的优势在于它们能够识别传统回归模型可能忽略的非线性关系和复杂交互作用。 梯度提升机器模型（GBM模型）是一种用于执行回归和分类任务的强大工具。GBM模型构建决策树集成，每棵树纠正前一棵树的错误，直到性能提高或达到设定的树木数量。优点包括更高的准确性、处理复杂数据的能力、识别特征重要性的能力以及在各种应用中的多功能性。GBM模型将多个弱模型组合成一个强模型，关注残差以获得更好的性能，并能有效地处理非线性关系。 本研究旨在扩展 noble 和 mcnabb (1989) 的研究，通过提供当前高中数学和科学课程与 ACT 成绩关系分析。我专注于数学和科学，因为它们具有日益严格和递进的性质，不同于社会科学或英语。然而，为了考虑与高级课程选择相关的动机和准备因素，我在分析中考虑了英语、社会科学、数学和科学的高级课程。 在本研究中，我整合了现代统计方法，并考虑了人口统计变量的调节效应。我使用层次线性模型和机器学习算法（如梯度提升机）来研究现代技术如何提高预测精度，超越传统的预测方法论。 本研究旨在解决以下研究问题： 1. 当模型考虑其他学术和学校特征时，数学和科学课程的增加是否可以预测ACT成绩？ 2. 学生的统计数据（性别、种族/民族和家庭收入）是否调节了课程选择与ACT表现之间的关系？ 3. 现代机器学习模型，例如梯度提升机，能否比传统回归方法提高ACT表现的预测？ 方法 分析样品 分析样本由453,439名2023届毕业生组成。这些学生参加了ACT考试，要么作为学校日常考试的一部分，要么在国家考试日期进行考试。对于每位学生，本研究中使用的ACT考试是他们在2023年春季毕业前最近一次参加的ACT考试。样本在下面的描述性统计部分有进一步描述。这个样本是所有2023届毕业且有有效ACT数据的学生的子集(N= 608,830). 该研究样本由略多于女性的男性学生组成，大多是白人学生，以及大多来自年收入超过10万美元的家庭的学生。有略多于已修读英语高级课程的学生，数学、科学和社会研究的高级课程学生人数相似，大多数学生已修读英语9至11年级的课程。大约一半的学生已修读超出代数II的数学课程，大多数学生已修读生物和化学课程，大多数学生已修读少于三年的社会研究课程，这些课程不包括美国历史、世界历史、美国政府或另一门历史课程（表1）。尽管在人口统计学和成就方面，样本与总体的百分比如有轻微差异，但样本与总体相似。 注意。在社会研究中，课程不遵循固定的顺序，因此，更多的课程并不一定意味着更高级的课程，就像数学和科学那样。“本研究中的“其他数学模式”指的是未知或未指定的数学课程选择模式。其他少于3年的科学课程组合包括学生修读少于3年完整科学课程的情况，而这些情况未被提到的其他课程模式所涵盖（例如，一个学生可能修读了物理科学、地球科学和普通科学）。 措施 ACT综合分数 官方ACT综合分数（ACTC）是在学生高中毕业前参加的最后一场ACT考试时收集的。这些分数是在全州学校日考试期间收集的，或是在全国考试管理期间收集的。 累积HSGPA ACT平均了学生在英语、数学、社会科学和自然科学等最多23门课程中自我报告的分数，以确定每位学生的HSGPA。Sanchez和Buddin（2016）表明，学生的自我报告HSGPA与他们的成绩单GPA之间存在很强的相关性。额外的研究（Camara等人，2003；Kuncel等人，2005；Shaw&Mattern，2009）支持自我报告数据在研究目的中的可靠性。 人口统计学变量 该研究调查了三个人口统计学变量：性别、种族/民族和家庭收入，如表1所示。学生自我报告其性别为男性、女性、其他性别或不愿回答；有些人根本未作回答。对于这项分析，将自我认定为其他性别、不愿回答或未提供回答的学生排除在外。 由于这些类别中的学生数量非常少，因此为了提高结果的解释性而进行了排除。 学生可以将其种族/民族背景识别为亚洲人、黑人、西裔、美洲印第安人/阿拉斯加原住民、夏威夷原住民/太平洋岛民、白人、两种或多种种族，或选择不回答；有些人没有回答。由于某些群体中的学生人数较少，我将那些自认为是美洲印第安人/阿拉斯加原住民（0.8%）、夏威夷原住民/太平洋岛民（0.2%）和两种或多种种族（5.1%）的数据合并了。 家庭收入被分为四组：低于36,000美元、36,000–60,000美元、60,000–100,000美元和超过100,000美元。缺少家庭收入数据的学生被排除在外。 已修课程 学生们报告了与他们高中课程相关的信息。根据这些信息，我确定了学生是否选修了英语、数学、自然科学或社会科学的进阶课程。在本研究中，进阶课程包括荣誉课程、AP课程和IB课程。此外，我还考察了英语、数学、科学和社会科学的课程选择模式。例如，就数学而言，课程选择模式包括：低于代数I、几何和代数II；代数I、几何和代数II；超越代数II；以及其他数学模式（请参见表1获取完整课程清单）。 高中特点 研究中包含以下学校特征：学校达到贫困标准的学生的百分比、学校提供的AP课程数量以及学校白人学生的百分比。 数据分析 我估计了六个模型来预测ACTC分数，使用了HSGPA的各种组合；数学、社会科学和科学课程选择模式；英语、社会科学、数学和科学高级课程选择的指标；所修的高中课程；以及学校层面的特征，如学校符合联邦贫困指南的学生百分比、学校提供的AP课程数量以及学校白人学生的百分比。请注意，由于缺乏可变性（即几乎所有学生都修了9-11年级的英语），英语课程选择没有被模型使用。所有连续预测器，如ACTC分数和HSGPA，都被标准化为均值为0和标准差为1。 模型1是一个分层线性模型（HLM），考虑了高等教育机构内的学生嵌套。该模型包含所有预测因子，没有任何交互作用，为高中课程和ACTC分数之间的主效应提供了全面分析。模型1中的预测因子包括高中 GPA；英语、社会科学、数学和科学方面的高级课程指标；以及学校层面的特征，例如达到联邦贫困标准的学校学生百分比、学校提供的AP课程数量以及学校中白人学生的百分比。 模型6。HHGGMM 2: AAAAFFFF = HHAA + AAAAAACCCA iIA HHC AiE HSSHCC AiAC + + AAAAAACCCA + AAA AAACCCA EEEiiCch + AAAAAACCCA iIA + AAAAAACCCA iIA HHAAiAEE HSSHCC AiAC AAAAAACCA ATTiiEE + MASSh ACACAAA ATTiEE + %+ ℎ