Olvasási idő: 
23 perc

A LeaRn index és a tanulói teljesítmény területi összefüggése

Bevezetés

E tanulmányban a kistérségeket csoportosítjuk a tanulói/hallgatói teljesítmények és a LeaRn index alapján. Ennek segítségével megvizsgáljuk, hogy milyen összefüggés fedezhető fel a LeaRn index és a diákok teljesítménye között, valóban teljesül-e az a feltételezés, hogy a magasabb indexű kistérségekben szignifikánsan nagyobbak a diákok teljesítménybeli értékei. A tanulmány eredményeként beazonosíthatjuk azokat a kistérségeket, amelyekben szükségesek lennének fejlesztő és támogató intézkedések a jobb teljesítmény elérése érdekében.

Mielőtt részletesebben rátérnénk a LeaRn index bemutatására, szükséges pár szót ejtenünk annak történelmi gyökereiről és azokról a tényezőkről, amik a fő táptalajt nyújtottak az index megalkotásához. Az első ilyen index (2006) a kanadaiakhoz kötődik, akik megalkották a kanadai kompozit tanulói indexet, melyben 17 indikátor 26 speciális változója szerepel (Canadian Council on Learning 2009), így összehasonlíthatóvá váltak Kanada különböző területegységei. Ez az index volt az alapja az ELLI-nek (European Lifelong Learning Index), melyben 17 indikátor 36 változóval szerepelt, ami az európai országok közötti összehasonlítást tette lehetővé. A legjobb eredményt az észak-európai országok érték el, míg például hazánk vagy Görögország az átlag alatt volt. Ezek az eredmények kapcsolatban állnak az ország GDP értékével (Hoskins et. al. 2010). A németek az ELLI módszereit alapul véve készítették el saját országuk belső, területi különbségeinek megjelenítésére a Német Tanulásatlaszt (DLA) (Schoff et. al. 2011).

A magyarországi LeaRn index létrehozásánál az alkotók nagyobb részt a Német Tanulásatlaszt vették kiindulópontnak, és igyekeztek az ott kialakított négy pillért (formális, informális, kulturális és közösségi tanulás) használni és hozzájuk rendelni a DLA-hoz hasonló 5 – 6 változót, természetesen a korábban említett másik két index mérőeszközeit is lehetőség szerint beemelni. Az eredmények nagy területi különbséget mutatnak az országon belül, a legnagyobb értékekkel a főváros és agglomerációja, valamint a megyeszékhelyek és nagyvárosok rendelkeznek, a kisebb városok és a falvak átlag alatti értékeket mutatnak. A kutatók három jól körülhatárolható tanuló régiót különítettek el. Az egyik a főváros és Győr közötti terület, a másik a Budapest és Székesfehérvár között húzódik, míg a harmadik a Balaton körüli területeket foglalja magában. Megkülönböztettek még tanuló városokat, melyek közös jellemzője, hogy ott nagyobb egyetem, és/vagy főiskola található (például: Miskolc, Eger, Debrecen, Nyíregyháza, Szeged, Pécs, Szombathely, Kecskemét) (Kozma és mtsai. 2015). A tanuló régiók fontos szerepet játszanak a gazdasági fejlődésben, melynek fő mozgatórugója a felsőoktatási intézmények harmadik missziója (Németh 2014).

Az országos kompetenciamérés (OKM) eredményei azt mutatják, hogy nagy területi eltérés van az országon belül. A legjobb eredmények az ország nyugati részén, a Közép-Magyarország régióban és az olyan kistérségekben jellemzőek, ahol megyeszékhely található. Az alacsonyabb eredmények leginkább az Észak-Magyarország régióban, valamint az Alföld területén jellemzőek (Garami 2014, Polónyi 2014). A PISA eredményekre alapozva Róbert Péter (2004) megállapította, hogy Magyarországon az átlagosnál is nagyobb a családi háttér hatása a tanulói eredményességre más európai országokhoz képest (Róbert 2004). Egy másik meghatározó tényező mely befolyásoló hatással bír a teljesítményre, az a születés helye és a lakóhely, mivel azok a gyerekek, aki szegényebb területen élnek, kisebb eséllyel jutnak be a felsőoktatásba, mint a fejlettebb térségekben élő társaik (Polónyi 2014). A tanulói eredmény szorosan összefügg azzal is, hogy az adott diák milyen típusú iskolába jár. A hat és nyolc osztályos gimnáziumok tanulói lényegesen magasabb pontszámokat érnek el a kompetencia teszteken, mint az olyan társaik, akik négy osztályos gimnáziumba vagy szakközépiskolába járnak, a leggyengébb eredményeket pedig a szakmunkásképző intézményekben tanulók érik el. Természetesen ez kapcsolatban áll az egyes iskolák szelekciós mechanizmusával (Schumann 2009). Az elemzés során használjuk az OKM-ben központilag kialakított családi háttér indexet is. Ennek a területi elemzését a szakemberek már elvégezték, a legalacsonyabb indexet az észak-magyarországi és az észak-alföldi területeken tapasztalták. Összefüggést kerestek a gazdasági fejlettség és a háttér index között, melynek eredményeként azt kapták, hogy minden osztály esetében nagyon erős az összefüggés, de a legerősebb a 8. osztályosok családi háttér indexével van (Az országos... 2011) A kistérség kitörésének, felzárkózásának fontos eszköze a humánerőforrás fejlesztés, melyet az oktatással lehet elérni, ezért is lenne fontos azoknak a térségeknek a fejlesztése, amelyek hátrányosnak számítanak az országon belül (Faluvégi 2004).

A frissen érettségizettek többsége a felsőoktatás nappali képzéseibe szeretne bekerülni. Korábban az osztatlan képzés volt az a szint, amire legnehezebben jutottak be, de ezen sokat enyhített az osztatlan tanárképzés bevezetése (Szemerszki 2014). A felsőfokú szakképzés mentsvárként tekinthető a tanulók számára, mintsem elsődleges célként, hiszen a jelentkezési papíron a felvételizők többsége nem az első helyre rangsorolja. A felvételi pontok tekintetében is elmarad a többi képzési szinthez viszonyítva (Fehérvári 2014). A hátrányos helyzetűek többségében a felsőfokú szakképzésbe jelentkeznek, az osztatlan és alapképzés esetében csak bizonyos képzési területek (agrár és pedagógusképzési terület) esetében jelentenek érdemi előnyt a többletpontok (Szemerszki 2014). A felsőoktatásban legnagyobb részt a mesterképzésbe jelentkezők kerültek be arra a helyre, hová legfőképp szerettek volna, volt olyan év, mikor 90%-ban az első helyre kerültek be a hallgatók. Ellenpólusként a szakképzés nevezhető meg, hiszen ott ez az arány 50-60% körül van (Garai & Kiss 2014). A felsőfokú szakképzés esélyt jelent a hátrányos helyzetű tanulók, valamint hátrányos helyzetű kistérségek számára, legnagyobb arányban ők és innen mennek a felsőoktatás ezen szintjére, míg a legjobb helyzetű kistérségek hallgatói jóval nagyobb arányban választották és kerülnek be az alapképzésbe (Polónyi 2014). A felvételi során kapott előnyben részesítés többletpontokat elemezve, azt tapasztalhatjuk, hogy a magasabb képzési szint felé haladva lényegesen fragmentáltabb a többletpontok kistérségi eloszlása, mint a felsőfokú szakképzés esetében. Ebben leginkább az Észak-Alföld régió, valamint a Borsod-Abaúj-Zemplén megye érintett. A teljes adatbázisra elvégezve a vizsgálatot, kimutatható volt, hogy a Balatontól északra lévő területeken a legalacsonyabb az előnybe részesítettek aránya (Hegedűs 2015a).


Adatbázis és módszerek

Az elemzés során a 2012. évi 10. osztályos kompetencia eredményeket és a 2014. évi felvételi adatbázist használtuk. Az évbeli eltérést az indokolta, hogy aki 2012-ben írta meg a kompetencia felmérést, az a legnagyobb eséllyel került be 2014-ben a felsőoktatás felsőfokú szakképzésére, az alapképzésébe és az osztatlan képzésébe. Ebből adódóan a későbbiekben a mesterképzést nem is elemeztük. A kompetenciamérésből a családi háttérindexet, a matematika eredményt, továbbá az olvasási eredményt használtuk. A felvételi adatbázisból a felvételi pontokat elemeztük és azt, hogy az egyes kistérségekből milyen képzési területre milyen arányba kerültek be a hallgatók, vagy milyen arányban utasították el őket. Természetesen mind a két elemzési egységben a LeaRn index bekerült a használt változók közé.

Területi elemzés révén az adatokat aggregáltuk, mely alatt értendő, hogy a települési adatokat kistérségi szintre vontuk össze mind a LeaRn index, mind a kompetenciamérés esetében. Erre azért volt szükség, mert a felvételi adatok csupán kistérségi viszonylatban álltak rendelkezésre. Ezzel a módszerrel minden kistérségről kaptunk jellemző számértékeket. Az adatokat standardizáltuk, a kistérségeket klaszterekbe rendeztük a közoktatási eredmények, a felsőoktatási eredmények mentén. Mindkét esetben (közoktatás és felsőoktatás) három-három klasztert alakítottunk ki. Az így kapott csoportokat MapInfo program segítségével térképen jelenítettük meg. Itt szükséges megjegyeznünk, hogy a főváros nagy súlyt képviselt minden esetben, önálló klasztert képzett, ezért döntöttük a fővárosi értékek kihagyása mellett, így csak a vidéki kistérségek (174 db) kerültek az elemzés fókuszába.

Ezt követően korrelációs vizsgálatot végeztünk, hogy megtudjuk, milyen összefüggés van az egyes változók között. Első lépésként a standardizált értékeket Kolmogorov-Smirnov tesztnek vetettük alá, mely során a változók minimális esetben mutattak csak normál eloszlást, ezért Spearman korrelációt futtatunk rajtuk.


Eredmények

Először a közoktatási eredmények területi különbségeit tekintjük át, melyben a fentebb említett változókat vontuk be. A klaszterelemzés során három jól elhatárolható klasztert kaptunk (1. táblázat), melyeket lemaradó, átlagos és kiemelkedőként definiáltunk. A lemaradó kistérségekre jellemző, hogy a családi háttér indexük jóval az átlag alatt van, ugyanúgy, mint a LeaRn index, melyet követ a matematika és az olvasás eredmény is. Összességben tehát elmondható, hogy minden változó tekintetében negatív eredmények jellemzik ezt a 61 kistérségeket. A második, egyben legnagyobb elemszámot magába foglaló csoport átlagosnak tekinthető. A családi háttér index és a LeaRn index esetében az átlagtól minimális mértékben eltérő negatív értéket találunk, de ezzel ellentétben már a hallgatói teljesítmény mindkét változójában pozitív előjel a meghatározó. A kiemelkedő kistérségek csoportjában mindössze 22 kistérség került. A csoportot a lemaradó kistérségek jellemzőinek inverzével tudjuk jellemezni. 

1. táblázat:
Kistérségek klasztere középiskolai eredményesség alapján 

Forrás: OKM 2012, LeaRn index

A kistérségek klaszterek szerinti elrendeződését az 1. ábra szemlélteti. A térképi megjelenítésnél Budapestet külön színnel jelöltük, hiszen az elemzésbe nem vontuk be, de jól látható, hogy a 22 legjobb helyzetű kistérség többsége az agglomerációjához tartozik, ezen kívül egy nagyobb csoport található még a Balatonnál, valamint a Velencei-tó környékén. A további vidéki területeken olyan kistérségek jellemezhetőek a legmagasabb értékekkel, amik többségében nagy felsőoktatási intézmény található, mint például Győr, Pécs, Szeged, Debrecen vagy Eger, a sorból csak Békéscsaba lóg ki, ahol nincs nagy felsőoktatási intézmény. Érdekesség, hogy ebben a vizsgálatban Nyíregyháza, Miskolc vagy Kaposvár sem került a legjobb eredménnyel rendelkező kistérségek közé, pedig mindegyikük rendelkezik felsőoktatási intézménnyel. A lemaradó kistérségek jól elkülöníthető csoportot alkotnak az ország mindkét felében. A keleti országrészben a lemaradó kistérségek közé tartozik Heves és Borsod-Abaúj-Zemplén megye, az Észak-Alföld régió kistérségei, valamint Békés megye északi részén lévő kistérségek. Tovább nehezíti ezeknek a térségeknek a helyzetét, hogy a teljesítményt növelő gyógypedagógusok hiányként mutatkoznak ezekben a térségekben (Hegedűs 2015b). Ezeknek a területeknek csak egy-két kistérsége tartozik az átlagos kategóriába, mint például Tokaj, Kisvárda, Hajdúböszörmény, Záhony, Hajdúböszörmény vagy Jászberény kistérsége, melyekben meghatározóbb jellegű kistérség központ található, egyes esetekben kihelyezett főiskolai karral. A nyugati országrészben lemaradó gócok figyelhetőek meg a Mezőföld középső részén lévő kistérségek, az Abai, Sárbogárdi, Adonyi, Enyingi kistérségek, valamint a Tamási és a Tabi kistérségek. A Dunántúlon találunk egy másik nagyobb leszakadóban lévő területegységet, amely magába foglalja Baranya megye déli és nyugati kistérségeit, továbbá Somogy déli kistérségeit és Zala megyéből a Zalakarosi és Pacsai kistérséget.

1. ábra:
Kistérségek klaszterezése térképi megjelenítéssel 

Forrás: LeaRn index, OKM 2012

A korrelációs vizsgálat (2. táblázat) során a középiskolai eredményesség változói között kerestük az összefüggést. Közepes szignifikáns összefüggés mutatható ki a LeaRn index és az olvasási eredmény között, valamint egy, már erősnek mondható szignifikáns összefüggés a LeaRn index és a matematika eredmény és a családi háttér index között, ami alapján elmondható, hogy minél magasabb a LeaRn index egy kistérségben, annál jobb lesz a középiskolások teljesítménye és családi háttere. További erős összefüggés mutatható ki a matematika és olvasás eredmények között, várhatóan, ha egy diák nagyon jó matematika eredményt ér el a mérésben, akkor az olvasási eredménye is kimagasló lesz és fordítva. A legerősebb összefüggést a családi háttér és a matematika eredmény között mutatható ki, ahol a korrelációs érték már 0,8 fölé emelkedik. Megállapíthatjuk tehát, hogy azokban a kistérségekben, ahol magas a családi háttér index, ott várhatjuk a legjobb matematika teljesítményt is.

2. táblázat:
A középiskolai eredményesség változóinak korrelációs vizsgálata

Forrás: LeaRn index, OKM 2012
** p<0,01, szignifikáns összefüggés

A következő elemzési egységben magasabb oktatási szint felé, a felsőoktatás irányába, azon belül is a hallgatók kistérségi felvételi pont átlagára koncentrálunk, valamint arra, hogy az egyes kistérségekben mely felsőoktatási képzési szintet preferálták a felvételizők.

A klaszterelemzés során ismételten három klaszter kaptunk, ahol jóval árnyaltabb, s egyben részletesebb képet kaptunk az egyes kistérségek felsőoktatásba történő továbbtanulási jellemzőiről. Az első klasztert, amit a szakképzés felé orientálónak neveztünk el, olyan kistérségeket foglal magába, ahol a legalacsonyabb a LeaRn index, a felvettek többsége a felsőfokú szakképzésbe, valamint az osztatlan képzésbe került be, pontjaikról pedig elmondható, hogy az alapképzésbe és az osztatlan képzésbe valamivel az átlag fölötti, míg felsőfokú szakképzésbe valamivel az átlag alatti pontszámmal kerültek be. Az osztatlan képzésről feltételezhető, hogy többségében pedagógusképzésbe kerültek be a hallgatók, mintsem orvos vagy jogászképzésbe. A másik csoportba 62 kistérséget soroltunk, és ezt jól teljesítő kistérségnek neveztük el. A csoport jellemzője, hogy LeaRn indexe kimagasló, valamint minden képzési szint esetén lényegesen az átlag fölötti pontok jellemzőek, tehát a hallgatók vélhetően a magasabb presztízsű és színvonalú intézmény valamelyikébe kerültek be. A hallgatók leginkább az alapképzést preferálták és legkevésbé a felsőfokú szakképzést, ami annak tulajdonítható, hogy mindenekelőtt a diploma megszerzése volt a cél. Az előző csoporthoz hasonlóan itt is lényegesen kisebb azoknak a jelentkezőknek az aránya, akik nem kerültek be egy képzésbe sem. Harmadik csoportként a rosszul teljesítő csoportot azonosítottuk, melyben egy kivételtől eltekintve minden érték negatív irányba mutat. Ezekre a kistérségekre jellemző a kedvezőtlen LeaRn index, minden képzési szinten rendkívül alacsony felvételi pontszám, valamint a magas elutasítási arány. Egy érték van, ami pozitív értékként jelenik meg, ami azt jelenti, hogy a hallgatók, ha bekerültek a felsőoktatásba, akkor a legnagyobb arányban egy alacsony felvételi pontú felsőfokú szakképzésbe.

3. táblázat:
Felsőoktatási eredményesség klasztere

Forrás: Felvi 2014, LeaRn index

A három klasztert a középiskolai eredményességhez hasonlóan térképen ábrázoltuk (2.ábra). A rosszul teljesítő kistérségek között ismételten csoportosulások láthatóak, az egyik nagyobb csomópontnak Nógrád megye nyugati részén lévő kistérségek tekinthetőek, valamint Borsod-Abaúj-Zemplén megye északi kistérségei. Érdekesség, hogy az OKM eredmények alapján legrosszabb jellemzővel rendelkező Szabolcs-Szatmár-Bereg megye minimális rosszul teljesítő kistérséggel rendelkezik, ami nagy valószínűséggel nem kiemelkedő teljesítményjavulásnak köszönhető, hanem annak, hogy a gyengébb eredményű diákok nem is próbáltak bekerülni a felsőoktatásba. Az Alföld délkeleti részén, Jász-Nagykun-Szolnok, valamint Békés megyében találunk olyan területeket, ahol a rosszabb teljesítményű kistérségek csoportosulnak. A Dunántúlon is két gócpont emelhető ki, az egyik egybeesik a gyengébb középiskolai eredményekkel, melyet Fejér megye déli kistérségei alkotják. A másik nagyobb rosszul teljesítő kistérség-halmaz a Dráva mentén, Somogy és Baranya déli részén található.

A szakképzés felé orientáló kistérségek többségében a hátrányos helyzetű kistérségekkel esnek egybe, valamint olyan kistérségekkel, ahol van a közelben nagyobb pedagógusképző intézmény. Ezt a tényt támaszthatja alá az is, hogy ezekben a kistérségekben magas az alacsonyabb pontú osztatlan képzésbe jelentkezők aránya, és ezek a kistérségek többségében olyan városhoz esnek közel, ahol pedagógusképzést indító intézmények találhatóak, mint például Eger, Sárospatak, Miskolc, Debrecen, Nyíregyháza, Szeged, Jászberény, Szarvas, Szeged, Pécs vagy akár Kaposvár.

A jól teljesítő kistérségek közé többségében a fővárosi agglomeráció kistérségei, a megyeszékhelyek többsége tartozik, valamint az Északnyugat-Dunántúl legtöbb kistérsége, ahonnan csupán négy kistérség került a legrosszabb kategóriába (Tatabánya, Kisbér, Várpalota és Sümeg kistérsége). A keleti országrészben két nagyobb sávot állapíthatunk meg: az északi részen a Salgótarjántól induló és Nagykállóig tartó kistérségek sávját, valamint a fővárosból induló Szegedig tartó kistérségek sávját. Továbbá két kistérség pár emelkedik még ki, ezek Gyula-Békéscsaba és Debrecen-Hajdúszoboszló. Három olyan kistérség emelhető ki, amik környezetükhöz képest kiemelkednek: az északkeleti részen Kisvárda kistérsége, Dél-Dunántúlon Pécs és Nagykanizsa.

2. ábra:
A felsőoktatási eredményességi klaszterek térképi megjelenítése 

Forrás: Felvi 2014, LeaRn index

A középfokú eredményesség vizsgálatához hasonlóan itt is elvégeztük a korrelációs vizsgálatot a változók között. Ennél az elemzésnél nem tapasztaltunk olyan erős kapcsolatot az egyes itemek között. A 4. táblázatban kiemeltük a +/- 0,25 „fölötti” szignifikáns összefüggést mutató változókat. A legerősebb közepes összefüggés az elutasítottak aránya és az alapképzésbe felvettek aránya között mutatkozik, minél nagyobb a fel nem vettek aránya, annál kisebb mértékben kerülnek be az alapképzésbe a hallgatók. A LeaRn index esetében 0,25 fölötti erősségű összefüggést tapasztaltunk az alapképzés felvételi ponthatárai, valamint az osztatlan képzés ponthatárai között, mely arról árulkodik, hogy minél nagyobb a LeaRn index értéke, annál inkább több pontot szereznek a hallgatók. A LeaRn index esetében a legerősebb összefüggést a felsőfokú szakképzésbe bekerülés mutatja, mivel minél inkább nagyobb a LeaRn index, annál kisebb mértékben mennek a hallgatók a felsőfokú szakképzésbe. Az adattáblából az is kitűnik, hogy kistérség felsőfokú szakképzés pontszámai egyenes arányosan növekednek az alapképzések pontszámaival. Az alapképzés felvételi pontjai további pozitív összefüggést mutatnak az osztatlan képzés pontjaival. Az is megállapítható, hogy minél magasabb az alapképzés pontja, valamint az osztatlan képzés pontja egy kistérségében annál inkább kisebb azoknak az aránya, akit nem vettek föl a felsőoktatásba.

4. táblázat:
A felsőoktatási eredményesség változóinak korrelációs vizsgálata 

Forrás: Felvi 2014, LeaRn index
* 0,01<p<0,05 szignifikáns összefüggés
** p<0,01 szignifikáns összefüggés

Összefoglalás

A tanulmányban csoportosítottuk a kistérségeket a középiskolai eredmények, a LeaRn index és a családi háttér alapján, valamint hasonló csoportosítást végeztünk a felsőoktatásban a felvételi pontokból és az egyes képzési szintekre felvettek arányaiból. Mindkét esetben három-három klasztert alakítottunk ki (a főváros kihagyásával), aminek eredményét térképen ábrázoltuk. Korrelációt végeztünk annak érdekében, hogy megtudjuk, milyen összefüggés van az egyes változók között.

A középiskolai eredmények kapcsán elmondhatjuk, hogy jóval inkább koncentrálódnak a leszakadó, rosszabb teljesítményű kistérségek, mint a felsőoktatás esetében. Két nagy területi egység emelhető ki, mely egyben össze is függ a hátrányos helyzetű térségekkel, ezek pedig az északkeleti országrészben, valamint a Dráva mentén találhatók. A korrelációs vizsgálat a LeaRn index esetében közepes, valamint erős összefüggést mutatott a családi háttér és a teljesítmények között.

A felsőfokú oktatás esetében kisebb csoportosulások figyelhetőek meg, mint a középiskola esetében és több területi eltérés is tapasztalható a kettő között. Legfőbb különbség az, hogy az ország északkeleti részén lévő kistérségek nem a legrosszabb eredményekkel rendelkező klaszterbe kerültek, mely okaként megjelölhető, hogy a gyengébb teljesítményű diákoknak nincs esélye bejutni a felsőoktatásba, így ők be sem adják a jelentkezést, ami azt okozza, hogy leginkább a jó teljesítményű hallgatók kerültek az adatbázisba, ezzel pozitív anomáliát okozva. A korrelációs mutatók itt már lényegesen kisebb erősségűek, valamint gyakran mutattak fordított arányosságokat is. A LeaRn index esetében több szignifikáns, gyenge összefüggést találtunk (felsőfokú szakképzésbe  felvettek aránya, alapképzés pontjai, valamint osztatlan felvételi pontjai). A legerősebb, közepes összefüggés az elutasítottak aránya, és az alapképzésbe bekerültek aránya között mutatkozott.

Összességében a LeaRn indexről elmondható, hogy középfokon lényegesen jobban tükrözi a tanulói teljesítményt és a családi háttér index eltéréseit, mint a felsőoktatás esetében. Ennek fő magyarázataként felvethető, hogy míg a 10. osztályos kompetenciamérést minden tanulónak meg kell írnia, tehát teljes körűnek tekinthető, addig a felvételi adatbázisban már egy szűrt, kiválogatott réteg kerül csak be, ahol a gyengébb teljesítményűek nem vagy alig képviseltetik magukat.