1 / 20

Znalosti uchazečů o studium na VŠE

Znalosti uchazečů o studium na VŠE. Petr DOUCEK, Miloš MARYŠKA, Hana MIKOVCOVÁ, Lea NEDOMOVÁ Vysoká škola ekonomická, Praha. Obsah. Otázky výzkumu O průzkumu – širší rámec Metodika výzkumu Sběr dat Modely pro vyhodnocování dat Výsledky Matematika Cizí jazyky

mari-west
Download Presentation

Znalosti uchazečů o studium na VŠE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Znalostiuchazečů o studiumna 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 tentoprojektjsoupravidelněsbíránaběhempřijímacíhořízeníodvšechuchazečů o studium. V souladu s ustanovenímzákona č. 101/2000 Sb., o ochraněosobníchúdajů, jsou pro potřebyzpracování data uchazečůanonymizována a dále se s nimipracujetak, žejsouodnichoddělenyosobníidentifikátory a jsouzpracovávánabezmožnostizjistitjakéhouchazečedříveoznačovala. • Dalšídata o výsledcíchzkoušekjsouzískávána z universitníhoinformačníhosystémujednorázovýmpřenosem dat. Vlastníanalýza a modelovánípakprobíhánadpropojenýmiplněanonymizovanýmidaty.

  5. Metodika – datové modely • Pro zpracovánídatbylvytvořendatový model v aplikaci MS SQL Server 2008 R/2. Tento model respektujeprincipy business intelligence, díkyčemužbylomožnévytvořitanalytickédatovékostky (OLAP). (Kimbal, Caserta, 2004; MacLennan, Tang, Crivat, 2009). • Pro analýzudatjsmevyužilidvaodlišnépřístupy. Prvnípřístupbylzaložennavyužití OLAP kostek v MS SQL Server 2008 R/2, vekterýchbylvytvořenvětšípočetstatistickýchukazatelů (např. median, průměr, maximum, minimum, směrodatnáodchylka a další), kteréumožnily data statistickypopsat. • Druhýpřístup k hodnocenídatbylzaložennavyužitíaplikace Microsoft Excel 2010. Jejímprostřednictvímbylazískaná data rovněžanalyzovánaprostřednictvímstatistickýchmetod. • Kombinacevhodnýchdimenzí (např. Rokpřijímacízkoušky, Zvolenýstudijníobor, Jazykpřijímacízkouškyatd.) kezvolenýmukazatelům (Početžadatelů o studium, Průměrnáhodnotazískanýchbodů z přijímacízkoušky z jazyka, Středníhodnotavýsledkupřijímacízkoušky z matematiky, Korelacemezidosaženými body atd.) umožnila data účinně a velmidetailněanalyzovat a identifikovatjak trendy, takivzájemnézávislostimezidaty. • Kombinacedvouvýšeuvedenýchpřístupůumožnilajakvzájemnouverifikacivýsledkůzískanýchfunkcemirůznýchtechnologií, takzejménarozšířitpaletumožnýchstatistickýchanalýz. Důvodem je skutečnost, žemnožinyfunkcí v aplikacích MS SQL Server a MS Excel jsoučástečnědisjunktní.

  6. Forma studia na fakultách

  7. Výsledky – přijímací zkoušky

  8. Matematika

  9. Cizí jazyky

  10. Anglický jazyk

  11. Anglický jazyk

  12. Německý jazyk

  13. Německý jazyk

  14. Francouzský jazyk

  15. Francouzský jazyk

  16. Španělský jazyk

  17. Španělský jazyk

  18. Závěry a diskuse • Rozhodujícípodíluchazečů o studiumna VŠE v Prazepochází z Českérepubliky(jejichpodílvelmizanedbatelněklesá), druhounejčetnějšískupinoujsouuchazečizeSlovenskérepubliky(jejichpodíltakévelmimírněklesá), dalšískupinoujsoustudenti z Ruskéfederace(jejichpočetvzrostlzatřisledovanéroky o jedenprocentníbod), následovanístudenty z Ukrajiny. • Počtybodů, získaných z přijímacízkoušky z “Matematiky”, trvaleklesajípřizachovanénáročnostitěchtotestů. A to bezohledunanárodnoststudentůnebonatypstředníškoly, z nížuchazečipocházejí. Dosaženévýsledkypřijímacíhořízení se neřídínormálnímrozdělením, ale majítendencioddělitprůměrné a podprůměrnéuchazečeodtěchostatních – hranice je někdekolem 55,00 – 60,00 bodů. Přijímacízkouškatakéneidentifikujevýrazněšpičkovéuchazeče v matematice.

  19. Závěry a diskuse • Uchazeči z gymnáziízískávajívýrazněvyššípočetbodů z matematikynežuchazeči z jinýchtypůstředníchškol. • Anglickýjazyk je nejfrekventovanějšímjazykemv přijímacímřízenína VŠE v Praze; pro přijímacířízenísijejvolí vice jak ¾ uchazečů; nejlepšívýsledky v počtuzískanýchbodůvesledovanémobdobívykazovaliuchazeči z Vietnamskésocialistickérepubliky, Slovenskérepubliky a Ruskéfederace. • Četnostvýskytuzískanýchbodů z přijímacízkouškyvyhovujenormálnímurozdělení, cožodovídajednakkorenktněpřipravenýmtestům, jednakměřípoměrnědobřeznalostiuchazečů. • Nejlepšívýsledky, co do počtuzískanýchbodů v anglickémjazycemajíuchazečizgymnázií. • U něměckého, francouzského a španělskéhojazykazaprojevujerelativněmaláčetnostzjištěnýchvýsledků. • Kvalitavýukyiostatníchjazykůnagymnáziíchvýrazněpřevyšujekvalituvýukynaostatníchtypechstředníchškol (je symbolizovánapočtemzískanýchbodů z přijímacíchzkoušek).

  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.

More Related