报告行业投资评级 未提及相关内容 报告的核心观点 - 研究通过路径分析和分层逻辑回归模型，发现ACT综合分数（ACTC）和高中GPA（HSGPA）能直接预测大一GPA（FYGPA），并通过FYGPA间接预测4年和6年学位完成概率，FYGPA是重要中介变量，且ACTC和HSGPA结合使用可提高预测准确性，对学生、教育工作者和高校管理者有重要意义 [11][62][66] 根据相关目录分别进行总结 引言 - 大学前学术指标如ACT分数和HSGPA可预测高等教育成功，ACTC分数和HSGPA能预测FYGPA，FYGPA是2年和3年学位坚持率的最佳预测指标，包含ACTC分数的模型预测大学成功的效果更好 [1] - 其他预测因素如情商、行为技能等也重要，但ACT分数一直是大学成功的重要预测指标，且标准化评估比HSGPA或学生面试更不易受偏见影响 [2][6] - 近年来部分大学使ACT和SAT分数可选，但ACT仍是招生决策中公平和减少偏见及人为错误的重要工具 [6] - 过去研究多关注大学前学术成就指标与FYGPA的关系，如今更关注长期大学成功指标，本研究旨在考察ACTC分数预测后期大学成果如4年和6年学位完成情况的能力 [7][9][11] 方法 样本特征 - 样本为2017年秋季进入美国某州一所4年制公立高等院校的学生，共32所机构，仅包含有有效ACTC分数、HSGPA、FYGPA、人口统计特征和4年及6年学位获得状态记录的学生 [14] 测量指标 - ACT综合分数：从官方测试记录获取，若学生有多个分数，使用毕业前最近的分数 [15] - 累积高中GPA（HSGPA）：学生在ACT注册时报告多达23门核心课程成绩，平均成绩得到HSGPA，缺失HSGPA的学生被排除分析，自我报告的HSGPA与成绩单GPA高度相关 [16] - 大一大学GPA（FYGPA）：直接从官方高等院校成绩单获取 [17] - 学士学位完成情况：直接从官方高等院校成绩单获取，在两个时间点将学位完成情况作为二元变量测量 [18] - 人口统计变量：收集性别、种族/民族和家庭收入三个变量，部分类别因数量少合并分析，家庭收入数据缺失率为12% [20] 数据与分析 - 数据按学生所在起始机构聚类，共30个机构/集群，学生数量从98到4532不等，机构间差异对4年和6年学位完成情况的方差有意义，通过聚类稳健标准误差或分层逻辑模型处理聚类观察 [21] - 使用标准化的HSGPA、ACTC分数和FYGPA，报告四个模型：两个结构方程模型分别测试HSGPA和ACTC分数对4年和6年学位完成概率的影响是否由FYGPA中介；两个分层逻辑模型预测4年和6年学位完成几率，初始模型包含ACTC分数随机斜率但导致模型过拟合，后去除 [22][23] - 检查分层模型的多个拟合指标，包括赤池信息准则、贝叶斯信息准则、边际R²和条件R²，报告与零模型相比的残差方差百分比减少 [25] 结果 描述性统计 - 样本中女生略多于男生（55.5%和44.2%），家庭收入最低组学生最多（26.1%），约三分之二样本为白人（66.1%） [26] - 19613名学生中，31.4%（6154人）在开始高等教育4年内完成学位，38.3%（7515人）在6年内完成学位，与2017年ACT测试的高中毕业生班级相比，样本中女生略多、西班牙裔学生略少、白人学生略多、未提供家庭收入的学生明显减少 [27] - 样本平均HSGPA为3.34（SD = 0.55），平均ACTC分数为21.56（SD = 4.79），平均FYGPA为2.68（SD = 1.10），完成学位学生的各项平均分数高于未完成学生，HSGPA和ACTC分数分布略负偏态，FYGPA分布异常，有大量学生得0.0分 [29][32][35] FYGPA是否介导HSGPA和ACTC分数对学位完成概率的影响 - 使用路径分析评估FYGPA作为中介的作用，两个结构方程模型的拟合度都很好 [39][40] - 路径模型1显示，HSGPA（β =.32，p <.001）和ACTC分数（β =.17，p <.001）是FYGPA的显著预测因子，二者也显著协变（β =.57，p <.001），ACTC分数（β =.20，p <.001）和HSGPA（β =.10，p <.001）是4年学位完成概率的直接预测因子，FYGPA也是显著预测因子（β =.34，p <.001），HSGPA和ACTC分数通过FYGPA对4年学位完成的间接关系也显著，表明FYGPA是中介变量 [40] - 路径模型2显示，结果与4年类似，FYGPA也是6年学位完成概率与ACTC和HSGPA关系的中介变量，且ACTC分数对学位完成概率的直接影响强于HSGPA，但HSGPA通过FYGPA的间接影响强于ACTC分数 [43] ACTC分数和HSGPA共同在考虑FYGPA后对4年和6年学位完成概率的预测作用 - 两个分层逻辑回归模型包含多个预测因子和机构随机斜率及截距，去除ACTC分数随机斜率以避免过拟合 [48] - 4年学位完成模型中，ACTC分数（OR = 1.13）、HSGPA（OR = 1.19）、二者交互作用（OR = 0.91）和FYGPA（OR = 6.31）是显著预测因子，FYGPA是最强预测因子，家庭收入是正预测因子，女性和部分种族学生完成学位概率有差异 [49][50] - 6年学位完成模型结果与4年类似，但ACTC分数和HSGPA交互作用不显著，FYGPA仍是最强预测因子，多数种族和性别无显著差异，高家庭收入组完成学位几率更高 [53] - 两个模型拟合度好，解释了4年和6年学位完成概率的大部分方差，FYGPA是两个时间点学位完成的最强预测因子 [54] 讨论 - 有效预测学术成功对学生和高校很重要，ACTC分数和HSGPA可预测大学早期成功和长期学位完成结果，学位完成对学生就业前景重要，准确预测FYGPA很关键 [60][61] - 研究扩展了先前研究，发现FYGPA是ACTC分数和HSGPA对4年和6年学位完成影响的显著中介变量，ACTC分数对学位完成的直接影响大于HSGPA，但间接影响相反 [62][63] - 分层模型显示，ACTC分数和HSGPA是4年和6年学位完成概率的显著预测因子，FYGPA是最强预测因子，ACTC分数在预测高HSGPA学生4年学位完成时作用更强，该交互作用在6年预测中不显著，部分人口统计变量是学位完成的显著预测因子 [64] - ACTC分数、HSGPA和FYGPA为预测4年和6年学位完成的模型增加独特预测效度，结合使用这些预测因子可更准确预测学位完成情况，通过建模间接效应可提高模型准确性，高校可提前识别高支持需求学生 [66][67] 影响 - 对学生而言，ACTC分数和HSGPA可让他们更全面了解大学准备情况，激励他们提高学术表现，可根据自身情况改进薄弱环节以提高大学和职业前景 [68] - 对中学教育工作者、顾问和导师来说，使用ACTC分数和HSGPA可提高职业指导质量，更好识别学生可能面临的困难并提供建议 [69] - 对高校管理者来说，使用ACTC分数和HSGPA可提高招生决策和资源分配的准确性和一致性，帮助识别需要支持的学生，降低流失率，使学生和高校都受益，高校应综合考虑多种因素进行招生决策，ACTC分数可帮助评估申请人认知能力 [70][71] 局限性 - 研究限于美国一个州，结果不能直接推广到全国，但大样本提供了有前景的方向 [74] - 所有预测因子和变量为观察而非实验操纵，限制了因果结论 [74] - 未考虑机构选择性，可能为研究结果提供更多背景信息 [74] - 仅跟踪学生在入学机构的第一年，未区分转学或辍学学生，未来研究应探索学生专业差异 [75] - 未明确探讨COVID - 19大流行的影响，不清楚其对毕业率的影响 [75]