4.3 Меры и источники данных
В 2013 и 2016 гг. мы проводили онлайн-опросы с помощью программного обеспечения для онлайн-опросов SurveyMonkey.показатель ответов составил 59% (2013 г.) и 53% (2016 г.). Опрос был разработан исследователями Национального центра по делам женщин и информационных технологий ( NCWIT ) и изначально основывался на модели Социально-познавательной теории карьеры ( SCCT ), описывающей взаимосвязь между пятью аффективными и контекстуальными конструкциями, связанными с принятием решений в сфере образования и карьеры. После тестирования структурная обоснованность опроса (описанного в предыдущем разделе), мы обнаружили, что опрос itemsbetter t эмпирических моделей ответа, связанных с такими областями навыков, как программирование, чем любая специфическая объективная область, например, интерес или сгущение. Поэтому мы использовали составные переменные, основанные на лучшей tt-модели. Мы также попытались использовать переменные SCCT в модели структурного уравнения, придерживаясь предыдущей литературы, используя эти переменные в прогностической модели, но получившаяся модель показала плохое t с данными, поэтому от такого подхода к анализу отказались. Обследование включало в себя пункты о проектировании компьютерных игр, опробование нового компьютерного программного обеспечения, решение программных проблем, xing или создание компьютеров или других технологий из частей, про-граммирование компьютеров, размышления или создания новых изобретений технологии (изобретение приложений), и конец технологического решения мировых проблем. В рамках программы "Социальная поддержка" создаются элементы, измеряющие предполагаемую поддержку вычислительной техники со стороны сверстников и членов семей. Опрос также включал вопросы о том, сдавали ли студенты экзамен на углубленное изучение CS во время учебы в средней школе, а также серию вопросов по логике пропуска, которые задавали об их применении в программе премии Aspirations. Помимо некоторых изменений в форматировании и заказе, опросы 2013 и 2016 гг. были такими же. Другими мерами, включенными в это исследование, были ответы из анкеты на программу Aspira-tions, которую часть выборки заполнила в старших классах школы. Заявочная форма включала20 вопросов, сходных с вопросами анкеты, о том, какой опыт работы на компьютере они приобрели в следующих областях: программирование, сети, мультимедиа, а также участие общин в вычислительной деятельности (например, волонтерская техническая поддержка и т.д.). Варианты ответов использовали 4-балльную шкалу (Совсем нет, только немного, в основном, и много). Пункты приложения были разработаны внештатными консультативными сотрудниками научных отделов CS и IT по всей территории США.
4.4 Аналитические методы
Мы использовали многокомпонентную логистическую регрессию (MLR) для предсказания устойчивости с независимыми переменными, полученными из опроса и данных приложения, а также с независимыми переменными. Время в колледже варьируется между студентами первого и второго курсов (код 0) и юниором и выше (код 1), мы включили время в колледже и статус лауреата в качестве вариантов в наши различные регрессионные анализы для управления их потенциальным путаным влиянием на наши результаты. Мы также хотели узнать о любом существенном прогностическом эффекте для студентов, получающих награду. Как и в случае с логистическим регрессионным анализом, MLR анализ находит вероятность членства в группе обусловленной значениями зависимых переменных. MLR одновременно сравнивает (1) CS-персистемы с Non-персистемы, (2) Tech-персистемы с Non-персистемы, и (3) CS-персистемы с Tech-персистемы.
Коэффициенты шансов, вычисленные в модели, идентичны коэффициентам, используемым в логистической регрессии; коэффициенты шансов - это отношение шансов групповой мембранности при увеличении одной единицы в зависимой переменной по сравнению с коэффициентом одной единицы без единицы. Коэффициенты шансов меньше единицы указывают на то, что увеличение независимой переменной связано с меньшей вероятностью членства в группе. Мы протестировали две модели, rst включала только студентов, которые принимали участие в первом и втором опросах (n = 494); вторая модель включала студентов, которые принимали участие в первом и втором опросах, но также имели соответствующие данные прикладных опросов (n = 362). В табл. 2 показаны все переменные, используемые в многочленной логистической регрессии, источник данных, среднее и стандартное отклонение, а также масштаб каждой переменной. Композиты были созданы методом "сожалений" в SPSS для четырехфакторного решения.
Для предсказательных моделей мы использовали мультиномиальную регрессию, чтобы (одновременно) предсказать Tech- персистему и CS- персистему зависимые переменные. Сравнения для мультиномиальной регрессии проводились между Tech- персистемой и Non- персистемой, с одной стороны, и CS- персистема и Non- персистема, с другой стороны. Попытки сравнения моделей CS- и данные из приложения включали список компьютерных мероприятий с рейтингом 1-4 по степени их участия в каждом из видов деятельности. Мы создали четыре факторные переменные из 20 пунктов, используя процедуры экстракции с максимальной правдоподобностью и ортогональной ротации; на долю первых четырех факторов пришлось 43% общей дисперсии.
Мы обнаружили четыре фактора, представляющие участие в Программировании, работе с технологиями и сообществами, мультимедиа и сети. Составные переменные, состоящие из отдельных элементов в приложении, были также созданы методом "регрессии" в SPSS. Индивидуальные элементы в композитов включают в себя: опыт с базовым программированием, языки веб-разработки, передовые структуры данных, презентационного программного обеспечения и настольных изданий (Мультимедиа), опыт работы с технологией связанных рабочих мест, стажировок или летних лагерей (Технология работы и сообщества) и проектирования сети, разработки и обслуживания (Компьютерная сеть), а также программирование переменных из приложения.