ABSTRACT
Although Macau students have consistently been recognized as top performers in international assessments, little research has been conducted to explore the various factors that are associated with their achievement. This paper aimed to identify factors that could best predict Macau students’ reading achievement using PISA 2018 data provided by 2,979 15-year-old students. An integrative theoretical model that considered the critical roles of demographic, personal and social-contextual factors was used to understand the relative importance of 41 different factors in predicting reading achievement. A machine learning approach, specifically Random Forest Algorithm, was used to analyse the data. Results indicated that variables classified under personal factors (e.g., metacognitive strategies, reading enjoyment and perceived difficulty) were the most important predictors of Macau students’ achievement. A supplementary analysis using Hierarchical Linear Modelling confirmed the findings from the machine learning approach. Implications of the findings were discussed.
RESUMEN
Aunque los informes internacionales sitúan asiduamente a los estudiantes macaenses entre los primeros puestos de las tablas clasificatorias, apenas se han realizado estudios exploratorios sobre los diversos factores asociados con su rendimiento. En este artículo se identifican los factores que podrían predecir el rendimiento lector de los estudiantes macaenses utilizando datos del informe PISA 2018 sobre 2979 estudiantes de 15 años de este país. En el estudio se utiliza un modelo teórico integrado en el que se tienen en cuenta los roles clave de factores demográficos, personales y socio contextuales para descifrar la importancia relativa de 41 factores distintos en la predicción de la competencia lectora. Para analizar los datos se aplicó un enfoque basado en el aprendizaje automático, concretamente el algoritmo Random Forest (conjuntos de árboles o ‘bosques aleatorios’). Los resultados indican que las variables clasificadas como factores personales (e.g., estrategias metacognitivas, placer de leer y dificultad percibida) eran los predictores más relevantes del rendimiento de los estudiantes. Un análisis adicional utilizando el método de modelado lineal jerárquico confirmó los resultados del enfoque de aprendizaje automático. En el artículo se abordan las implicaciones de los resultados obtenidos.
PALABRAS CLAVE:
Disclosure statement / Conflicto de intereses
No potential conflict of interest was reported by the authors. / Los autores no han referido ningún potencial conflicto de interés en relación con este artículo.