Start: Ziel:

© Copyright    I-KI-BA 2019 - Axel Arnold Bangert - Wolfstrasse 2 - 52134 Herzogenrath - I-KI-BA Aachen 2019    Copyright ©
Alsdorf Bangert - AI-ISSEMB - AI based Individual Inter School Scoring Efficiency Measurement & Benchmarking - Bangert Alsdorf
schnell     -     selbstlernend     -     effizient
Impressum          Datenschutz
 






Gymnasium Alsdorf Dalton-Gymnasium-Alsdorf - KI basiertes Individual Inter School Scoring Efficiency Measurement & Benchmarking AI-IISSEMB I-KI-BA Bangert - Axel Bangert I-KI-BA Aachen DEA Gymnasium-Alsdorf Dalton Gymnasium - Dieses Verfahren bestimmt die Gewichte heterogener In- und Outputs in einer Weise, dass eine gegebene Bildungseinheit (z.B. Schule oder Schulklasse) auf einer Skala von 0 (niedrigste Effizienz) bis l (höchste Effizienz) und unter Berücksichtung der Input-Output-Verhältnisse aller zu vergleichenden Bildungseinheiten einen möglichst hohen Effizienzwert erhält (vgl. Sheldon 1995, S. 7f.). Die mathematische und statistische Grundlegung dieses Verfahrens findet sich in der einschlägigen Literatur (Charnes/Cooper/ Lewin/Seiford 1994). Eine deutschsprachige Einführung in die DEA zur Effizienzmessung im Bildungsbereich gibt Sheldon (1995). Anwendungen der DEA im öffentlichen Sektor werden von Ganley und Cubbin (1992) sowie Scheel (2000) thematisiert. Das aus einer DEA resultierende Effizienzmaß ist in Übereinstimmung mit der ökonomischen Grundlegung dieses Begriffes (siehe oben) ein relatives Maß. 'Der Wert 1, den die effizientesten der betrachteten Bildungseinheiten erhalten, besagt nicht, dass die betreffenden Bildungseinheiten absolut effizient sind, sondern lediglich, dass sie im Vergleich zu Quantitative Ansätze und Methoden der Schulforschung den anderen betrachteten Bildungseinheiten dies sind. Die Verwendung eines relativen Effizienzmaßes ist bildungspolitisch von Vorteil, da dadurch keine höheren Anforderungen an eine Bildungseinheit gestellt werden als jene, welche andere Bildungseinheiten bereits erfüllen' (ebd., S. 9f.). Die Data Envelopment Analysis liefert ein faires Verfahren zur Bestimmung der Effizienz von Bildungseinheiten, da die Ergebnisse der Effizienzanalyse nicht mehr mit dem Argument angreifbar sind, dass subjektive oder falsche Gewichtungen der Outputs und Inputs verwendet wurden. Eine zu analysierende Einheit gilt im Rahmen der DEA erst dann als ineffektiv, wenn es zu jeder möglichen Gewichtung von Inputs und Outputs (Technologiemenge) produktivere Einheiten gibt (vgl. Scheel 2000, S. 62). Die Bezeichnung 'Data Envelopment Analysis' bringt zum Ausdruck, dass die verwendeten Daten 'eingehüllt' werden; die entstehende eingehüllte Menge entspricht der Technologiemenge(vgl. ebd., S. 41). Seit ihrer Entwicklung ist die DEA vielfach, vor allem in den USA, zur Effizienzmessung von Bildungssystemen angewandt worden. Das Verfahren der DEA beinhaltet eine Reihe von Eigenschaften und Vorteilen, die den Bedürfnissen einer Effizienzmessung im Schulbereich in hohem Maße gerecht werden (vgl. im Folgenden Sheldon 1995, S. 7 lff.): Die in der DEA berücksichtigten Bildungsinputs und -Outputs können unterschiedlich dimensioniert bzw. skaliert sein und müssen nicht in monetäre Einheiten umgewandelt werden. Das Verfahren kann eine Vielzahl an Inputs und Outputs gleichzeitig berücksichtigen und bietet damit die Möglichkeit, die schwer überschaubare Fülle an Bildungsindikatoren zu einem einzigen Leistungsindikator zu verdichten. Es erlaubt zudem die Berücksichtigung erschwerender Umstände (z.B. sozioökonomische Zusammensetzung der Schülerschaft), die das Effizienzpotenzial einer Bildungseinheit beeinträchtigen können. Mit der DEA ist jedoch nicht nur eine Identifikation der effizientesten Bildungseinheiten, die anderen Bildungseinheiten als Maßstab dienen können, möglich, sondern auch die Aufdeckung der Quellen von Ineffizienz. Mögliche Ursachen von Ineffzienz können Missmanagement (in einer Schule, im Schulamtsbezirk oder auf Landesebene), Größennachteile (diseconomies of scale), ungünstige Rahmenbedingungen oder eine zu kostenintensive Wabl der Bildungsmittel sein. Eine Vielzahl bildungspolitisch relevanter Fragestellungen ist mittels Data Envelopment Analysis beantwortbar. Sie kann z.B. eingesetzt werden um die Leistungsfähigkeit unterschiedlicher Bildungsprozesse (z.B. privat vs. öffentlich) zu vergleichen, die optimale Größe einer Bildungseinheit (z.B. Schulklasse oder Universität) zu bestimmen, die Auswirkungen bildungspolitischer Programme auf die Effizienz zu messen oder die Entwicklung der Effizienz einer Gruppe von Bildungseinheiten im Zeitverlauf zu verfolgen. Trotz dieser Vorteile weist die Data Envelopment Analysis Grenzen auf. Sie muss die zu analysierenden Einheiten als „black box" auffassen, d.h. detaillierte Kenntnisse über den Ablauf der Transformation von Ressourcen in Lernleistungen sind mit der DEA nicht erhältlich (vgl. Scheel 2000, S. 2). Sie kann aber durch die Identifizierung effizienter Bildungseinheiten zu einem geschärften Blick für die Ursachen dieser Effizienz beitragen. Die mittels DEA gemessene Effizienz bezieht sich ausschließlich auf jene Bildungsinputs und -Outputs, die in der Analyse jeweils Berücksichtigung finden. Um nicht ein verzerrtes Bild der relativen Leistungsfähigkeit der untersuchten Bildungseinheiten zu erhalten ist es zwingend notwendig alle relevanten Bildungsinputs und -Outputs zu berücksichtigen. In der deutschen Schul- und Bildungsforschung ist die DEA ein bislang sehr selten eingesetztes Analyseverfahren. Die Vorteile dieses Verfahrens sprechen aber für einen zunehmend häufigeren Einsatz, wenn es um eine faire Bewertung der Effizienz im Schulbereich und um die Erhöhung schulischer Produktivität geht.

DEA Gymnasium-Alsdorf Dalton-Gymnasium-Alsdorf- This method determines the weights of heterogeneous inputs and outputs in a way that a given educational unit (e.g., school or school class) is on a scale of 0 (lowest Efficiency) to l (highest efficiency) and, taking into account the input-output ratios of all the units to be compared, obtain the highest possible efficiency value (see Sheldon 1995, pp. 7f.). The mathematical and statistical basis of this method can be found in the relevant literature (Charnes / Cooper / Lewin / Seiford 1994). A German-language introduction to the DEA Efficiency measurement in education is given by Sheldon (1995). Applications of the DEA in the public sector are addressed by Ganley and Cubbin (1992) and Scheel (2000). That resulting from a DEA Efficiency measure is in accordance with the economic foundations of this term (see above) a relative measure. The value 1, which is obtained by the most efficient of the considered educational units, states It is not that the educational units in question are absolutely efficient, but merely that they consider the other in comparison to quantitative approaches and methods of school research Educational units are. The use of a relative efficiency measure is advantageous in terms of educational policy, since it does not impose any higher requirements on an educational unit than those which do already fulfilling other educational units' (ibid., p. 9f.). The Data Envelopment Analysis provides a fair method for determining the efficiency of educational units, since the results of the Efficiency analysis are no longer vulnerable to the argument that subjective or incorrect weighting of outputs and inputs were used. A unit to be analyzed is only valid within the DEA then ineffective when there are more productive units for each possible weighting of inputs and outputs (technology quantity) (see Scheel 2000, p. The term 'Data Envelopment Analysis' expresses that the data used is 'shrouded'; the resulting encased quantity corresponds to the quantity of technology (see ibid., p. 41). Since its development, DEA has often been especially in the US, to measure the efficiency of education systems.The DEA process incorporates a number of features and benefits that meet the needs of efficiency measurement in the school sector to a high degree (see below Sheldon 1995, pp. 7 lff.): The educational inputs and outputs considered in the DEA can have different dimensions or scales and do not need to be converted into monetary units. The process can take into account a variety of inputs and outputs at the same time and thus offers the possibility of the difficult to understand Abundance of education indicators to consolidate into a single performance indicator. It also allows the consideration of aggravating circumstances (e.g., socioeconomic composition of Student body) that can affect the efficiency potential of an educational unit. With the DEA, however, not only is one identification of the most efficient educational units, the other educational units can serve as a benchmark, but also uncovering the sources of inefficiency. Possible causes of inefficiency can be mismanagement (in a school, in the school district or on Country level), size disadvantages (diseconomies of scale), unfavorable framework conditions or too cost-intensive development of the educational funds. A variety of education policy relevant issues can be answered by means of Data Envelopment Analysis. It can e.g. can be used to compare the performance of different educational processes (e.g., private vs. public), the to determine the optimal size of an educational unit (e.g., school class or university), to measure the impact of educational programs on efficiency, or to develop one's efficiency Track group of educational units over time. Despite these advantages, the Data Envelopment Analysis has limitations. It has to interpret the units to be analyzed as a "black box", i. Detailed knowledge about the process of transforming resources into learning achievements is not available with the DEA (see Scheel 2000, p. But it can be more efficient by identifying Educational units contribute to a keen eye for the causes of this efficiency. The efficiency measured by DEA refers exclusively to those education inputs and outputs that are included in the Analysis considered in each case. In order not to get a distorted picture of the relative performance of the investigated educational units, it is absolutely necessary to obtain all relevant educational inputs and -putputs. In German school and educational research DEA ​​is a very rarely used analytical method. The advantages of this method speak for a Increasing commitment to fair evaluation of school efficiency and increased school productivity.

Schuleffizienz Schuleffektivitaet Schulentwicklung Schulamt Zwischenschulvarianz Bildungsrendite Bildungseffizienz Bildung-Effizienz Fachspezifische-Schuleffizienz Milieuspezifische-Schuleffizienz Schuleffektivität Inklusion Hochbegabte Highly-Gifted Intelligenz Intelligence Inklusionseffizienz Inklusion-Effizienz Effizienz-Inklusion Integration Inclusion Integration Dalton-Schule Dalton-Gymnasium Schulentwicklung-Alsdorf Schuleffektivitaet-Alsdorf Schuleffektivität-Dalton Schuleffizienz-Dalton Schuleffizienz-Alsdorf Alsdorf Dalton Dalton-Schuleffizienz Alsdorf Dalton Dalton-Schuleffizienz Dalton-Bildungsökonomie Dalton-Schulvarianz Dalton-Curriculum Dalton-DEA Effizienz-DEA-Dalton Gymnasium-Effizienz Effizienz-Gymnasium Dalton-Effizienz Dalton-Effizienz-Alsdorf Dalton-Alsdorf Alsdorf-Dalton Gymnasium-Alsdorf Dalton-Gymnasium-Alsdorf Alsdorf-Schulamt Schulamt-Alsdorf Anke Libber Plan Effizienz Schule Bildung Gymnasium Sekundarstufe Milieu Armut Schülerarmut Gymnasiast-Armut Pennäler-Armut Prekariat Unterschicht Mittelschicht Oberschicht Fach Schulfach spezifisch Mincer AI KI Python KI-Schule-Effizienz KI-Effizienz KI-Schuleffizienz Python-Schuleffizienz Python-Schule AI-School-Efficiency AI-Efficiency Python-School-Efficiency Prekariat-Effizienz Precariat-Efficiency Prekariat-Schule-Effizienz Prekariat-Gymnasium Prekariat-Schule Armut-Schule-Effizienz Armut-Gymnasium Schule-Armut Prekariatsgymnasium Alsdorf-Gymnasium-Prekariat-Schule-Effizienz Alsdorf-Gymnasium-Armut-Schule-Effizienz Prekariatseffizienz Armutseffizienz Gymnasiales-Prekariat Armutsgymnasium Schulumgebung School-Environment School-Leadership Schulleitung Führung Schulführung Schul-Management Management Schul-Organisation-Alsdorf Organisationsentwicklung Bildungsökonomie Bildungsökonomie-Alsdorf Lehrerfortbildung-Alsdorf Schulpsychologie-Alsdorf Organisationspsychologie-Alsdorf Educational-Economy Educational-Economy-Alsdorf Schulrecht Schul-Recht-Alsdorf Schulrecht-Alsdorf School-Law Bildungsverfassungsrecht-Alsdorf Education-Constitutional-Law Schulorganisation-Alsdorf Schul-Scoring Schul-Scoring-Alsdorf Schulbenchmarking Schul-Benchmarking-Alsdorf Zwischenschulvarianz-Alsdorf Curriculum-Alsdorf Bildung-Alsdorf Schule-Alsdorf Curriculum-Revision-Alsdorf Lernziele-Alsdorf Daton-Methoden-Kompetenz-Alsdorf Kompetenz-Alsdorf Kompetenz-Orientierung-Alsdorf Kompetenz-Effizienz-Alsdorf Lernziel-Effizienz-Alsdorf Lern-Effizienz-Alsdorf Milieu-Spezifische-Schul-Effizienz-Alsdorf Fach-Spezifische-Schul-Effizienz Inter-School-Variance Inter-School-Variance-Alsdorf Mincer-Equation Mincer-Gleichung-Alsdorf OStD Wilfried Bock Schulleiter OStD Dr. Helmut Lobeck OStD Anton Schoop Kurt Porzer Georg Schorsch Jäger Toebruck Rudolf Reckate OStD Rudolf Bast Therese Wiesner Grütz Theil Hennig Baron Willi Greven Franzen Ganser Seidel Jürgen Bresemeister Helmut Mingers Charlotte Adam Ingrid Steinbiss Educational-Return-Alsdorf Bildungsrendite-Alsdorf Individual Inter School Scoring Efficiency Effectivity Effektivität Effektivitaet Measurement & Benchmarking AI-IISSEMB I-KI-BA Axel Bangert Aachen https://www.facebook.com/axel.bangert.397

Data Envelopment Analysis (DEA Farrell 1957; Charnes et al. 1978) Method - Python Implementation Data envelopment analysis for Gymnasium-Alsdorf Dalton-Gymnasium-Alsdorf or with the Stochastic Frontier Analysis (SFA) (Aigner et al. 1977; Meeusen and Vandenbroeck 1977). How do business managers assess the productivity of a fast food distribution store, bank branch, health clinic, primary school or as here a College or even High School? There are three difficulties in measuring productivity: first, what are the appropriate inputs for the system (such as labor time, material amount) and how to measure it? Second, what are the appropriate outputs of the system (such as cash checks, deposit certificates) and their measurement methods? Third, what is the correct way to measure the relationship between these inputs and outputs? Measuring service productivity From an engineering perspective, measuring the productivity of an organization is as similar as measuring the efficiency of a system. It can be expressed as the ratio of output to input. For example, when reassessing the operational efficiency of a bank branch, you can use an accounting ratio, such as the cost of each cashier transaction. Relative to other branches, a higher ratio of one branch can be considered to be less efficient, but a higher ratio may be due to a more complex trading combination. The problem with using simple ratios is that the output portfolio is not clear. The same comment can be made about the input combination. Indicators on a broad basis, such as profitability and return on investment, are highly correlated with a comprehensive performance assessment. But they are not enough to assess the operational efficiency of a service unit. For example, you can't get the conclusion that a profitable branch must be effective in the use of employees and other inputs. A higher-than-average ratio of profitable business is more likely to explain its profitability than the cost efficiency of resource utilization. DEA model Currently, a technology has been developed that can be used to compare the efficiency of multiple service units providing similar services by explicitly considering the use of multiple inputs (ie, resources) and the generation of multiple outputs (ie, services). This technology is called Data Envelope Analysis (DEA). It circumvents the standard cost of calculating each service because it converts multiple inputs and multiple outputs into the numerator and denominator of the efficiency ratio without the need to convert to the same currency unit. Therefore, measuring efficiency with DEA ​​clearly illustrates the combination of inputs and outputs, and thus it is more comprehensive and trustworthy than a set of operating ratios or profit indicators. DEA is a linear programming model expressed as the ratio of output to input. It attempts to maximize the efficiency of a service unit by comparing the efficiency of a particular unit with the performance of a group of similar units that provide the same service. In this process, some units that achieve 100% efficiency are referred to as relatively efficient units, while units with additional efficiency scores below 100% are referred to as inefficient units. In this way, business managers can use DEA to compare a group of service units, identify relatively inefficient units, measure the severity of inefficiencies, and find ways to reduce inefficiencies by comparing inefficient and efficient units. Python implementation algorithm The input and output can be seen in the main function, and the final output is θ \theta θmatrix import numpy as np from scipy.optimize import fmin_slsqp class DEA(object): def __init__(self, inputs, outputs): # supplied data self.inputs = inputs self.outputs = outputs # parameters self.n = inputs.shape[0] self.m = inputs.shape[1] self.r = outputs.shape[1] # iterators self.unit_ = range(self.n) self.input_ = range(self.m) self.output_ = range(self.r) # result arrays self.output_w = np.zeros((self.r, 1), dtype=np.float) # output weights self.input_w = np.zeros((self.m, 1), dtype=np.float) # input weights self.lambdas = np.zeros((self.n, 1), dtype=np.float) # unit efficiencies self.efficiency = np.zeros_like(self.lambdas) # thetas def __efficiency(self, unit): # compute efficiency denominator = np.dot(self.inputs, self.input_w) numerator = np.dot(self.outputs, self.output_w) return (numerator/denominator)[unit] def __target(self, x, unit): in_w, out_w, lambdas = x[:self.m], x[self.m:(self.m+self.r)], x[(self.m+self.r):] # unroll the weights denominator = np.dot(self.inputs[unit], in_w) numerator = np.dot(self.outputs[unit], out_w) return numerator/denominator def __constraints(self, x, unit): in_w, out_w, lambdas = x[:self.m], x[self.m:(self.m+self.r)], x[(self.m+self.r):] # unroll the weights constr = [] # init the constraint array # for each input, lambdas with inputs for input in self.input_: t = self.__target(x, unit) lhs = np.dot(self.inputs[:, input], lambdas) cons = t*self.inputs[unit, input] - lhs constr.append(cons) # for each output, lambdas with outputs for output in self.output_: lhs = np.dot(self.outputs[:, output], lambdas) cons = lhs - self.outputs[unit, output] constr.append(cons) # for each unit for u in self.unit_: constr.append(lambdas[u]) return np.array(constr) def __optimize(self): d0 = self.m + self.r + self.n # iterate over units for unit in self.unit_: # weights x0 = np.random.rand(d0) - 0.5 x0 = fmin_slsqp(self.__target, x0, f_ieqcons=self.__constraints, args=(unit,)) # unroll weights self.input_w, self.output_w, self.lambdas = x0[:self.m], x0[self.m:(self.m+self.r)], x0[(self.m+self.r):] self.efficiency[unit] = self.__efficiency(unit) def fit(self): self.__optimize() # optimize return self.efficiency if __name__ == "__main__": X = np.array([ [20., 300.], [30., 200.], [40., 100.], [20., 200.], [10., 400.] ]) y = np.array([ [1000.], [1000.], [1000.], [1000.], [1000.] ]) dea = DEA(X,y) rs = dea.fit() print(rs)

Data Envelopment Analysis (DEA Farrell 1957; Charnes et al. 1978) Methode - Python-Implementierung Datenumhüllungsanalyse für das Gymnasium-Alsdorf Dalton-Gymnasium-Alsdorf oder mit der Stochastic Frontier Analysis (SFA) (Aigner et al. 1977; Meeusen and Vandenbroeck 1977) Wie beurteilen Geschäftsführer die Produktivität eines Fast-Food-Vertriebs, einer Bankfiliale, einer Gesundheitsklinik, einer Grundschule oder eben auch eines Gymnasiums? Es gibt drei Schwierigkeiten bei der Messung der Produktivität: Erstens, welche Eingaben (wie Arbeitszeit, Materialmenge) sind für das System angemessen und wie kann es gemessen werden? Zweitens, was sind die geeigneten Ergebnisse des Systems (wie Barschecks, Einzahlungsscheine) und deren Messmethoden? Drittens, wie lässt sich die Beziehung zwischen diesen Ein- und Ausgängen richtig messen? Messung der Serviceproduktivität Aus technischer Sicht ist die Messung der Produktivität eines Unternehmens so ähnlich wie die Messung der Effizienz eines Systems. Sie kann als Verhältnis von Ausgang zu Eingang ausgedrückt werden. Wenn Sie beispielsweise die betriebliche Effizienz einer Bankfiliale neu bewerten, können Sie eine Abrechnungsquote verwenden, z. B. die Kosten für jede Kassentransaktion. Im Vergleich zu anderen Branchen kann eine höhere Quote einer Branche als weniger effizient angesehen werden, eine höhere Quote kann jedoch auf eine komplexere Handelskombination zurückzuführen sein. Das Problem bei der Verwendung einfacher Kennzahlen ist, dass das Output-Portfolio nicht klar ist. Dieselbe Bemerkung kann über die Eingabekombination gemacht werden. Indikatoren auf breiter Basis wie Rentabilität und Kapitalrendite korrelieren stark mit einer umfassenden Leistungsbeurteilung. Sie reichen jedoch nicht aus, um die betriebliche Effizienz einer Serviceeinheit zu beurteilen. Sie können zum Beispiel nicht den Schluss ziehen, dass eine profitable Branche effektiv mit Mitarbeitern und anderen Inputs umgehen muss. Eine überdurchschnittlich hohe Rentabilitätsquote erklärt eher die Rentabilität als die Kosteneffizienz der Ressourcennutzung. DEA-Modell Gegenwärtig wurde eine Technologie entwickelt, mit der die Effizienz mehrerer Diensteinheiten, die ähnliche Dienste bereitstellen, verglichen werden kann, indem explizit die Verwendung mehrerer Eingaben (dh Ressourcen) und die Erzeugung mehrerer Ausgaben (dh Dienste) berücksichtigt wird. Diese Technologie wird als Data Envelope Analysis (DEA) bezeichnet. Es umgeht die Standardkosten für die Berechnung der einzelnen Services, da mehrere Ein- und Ausgänge in den Zähler und Nenner des Effizienzverhältnisses konvertiert werden, ohne dass auf dieselbe Währungseinheit umgerechnet werden muss. Das Messen der Effizienz mit DEA veranschaulicht daher deutlich die Kombination von Eingaben und Ausgaben und ist daher umfassender und zuverlässiger als eine Reihe von operativen Kennzahlen oder Gewinnindikatoren. DEA ist ein lineares Programmiermodell, das als Verhältnis von Ausgabe zu Eingabe ausgedrückt wird. Es wird versucht, die Effizienz einer Serviceeinheit zu maximieren, indem die Effizienz einer bestimmten Einheit mit der Leistung einer Gruppe ähnlicher Einheiten verglichen wird, die denselben Service erbringen. In diesem Prozess werden einige Einheiten, die einen Wirkungsgrad von 100% erreichen, als relativ effiziente Einheiten bezeichnet, während Einheiten mit zusätzlichen Wirkungsgraden unter 100% als ineffiziente Einheiten bezeichnet werden. Auf diese Weise können Unternehmensmanager mithilfe von DEA eine Gruppe von Serviceeinheiten vergleichen, relativ ineffiziente Einheiten identifizieren, den Schweregrad von Ineffizienzen messen und Wege finden, um Ineffizienzen durch den Vergleich ineffizienter und effizienter Einheiten zu reduzieren.

Staatlich Neusprachliches Gymnasium Alsdorf Ofden 1960, zur Zeit der Schulleitung durch OStD Anton Schoop. Sein Nachfolger war Dr. Helmut Lobeck.


Alsdorf und seine Umgebung waren Bergbaugebiet. Die Ökonomie und die sozialen Milieus waren durch den Bergbau geprägt. So hatte das alte Gymnasium Alsdorf sehr viele Schüler aus der Arbeiterschaft, die damals auch noch klassenähnlich sozial konstituiert war. Der Schüleranteil der Arbeiterkinder lag bis ca. 1975 bei etwa 60%.
Die klassische Arbeiterschaft löste sich parallel zu dem Verschwinden des Bergbaus kontinuierlich auf und ab 2004 entstand in Folge der SGB II Gesetzgebung ein neues anders konstituiertes Arbeiter-Prekariat mit geringen Anteilen eines Akademiker-Prekariates.
Dieses Prekariat hat bis heute keine eigene Zugehörigkeitssicht zu seinem sozial und rechtlich konstituierten sozialen Milieu gefunden. Es gibt also kein diesbezügliches 'Klassenbewußtsein'. Heute liegt der Prekariatsanteil in der Schülerschaft bei maximal 3%.



Zusätzlich ist dieses Prekariat bei der Lerneffizienz benachteiligt, wie die obige Grafik zeigt. Von welchen Ursachen dabei genau auszugehen ist, wird eine weitere KI-Faktorenanalyse des I-KI-BA noch belegen.


Es ist zu bemerken, dass auf Grund der SGB II Legislation ab 2005 das Volumen des sogenannten 'Prekariates' (...) von 2 Millionen (2005) auf rund 16 Millionen im Jahr 2015 angestiegen ist ... Tendenz weiter steigend ... durch Arbeitsmarkteffekte der KI und des Klimawandels ab ca. 2040 extrem ansteigend. Diese Bevölkerungsgruppe wird 2040 ca. 40% der Industriegesellschaften Europas ausmachen und wird mit maximal 2% (das entspricht etwa genau dem allgemeinen Hochbegabtenanteil aller Populationen) ihres Bevölkerungsanteiles sozial aufwärtsmobil sein. Es sei in diesem Zusammenhang hier nur am Rande auf die damit engstens korrelierten extrem bedenklichen Effekte der schulischen, familialen, beruflichen und (besonders auch extrem bedenklichen) politischen Sozialisation verwiesen. Hier stellen sich natürlich unter anderem auch Fragen zum Inklusionsmodell - und ja - sogar zum Integrationsmodell. Insbesondere allerdings zur spezifischen Messung der Inklusionsmodell-Effizienz (Simulation) sowie der empirischen Messung der Umsetzung dieses Modelles.


dalton gymnasium alsdorf    |     Gymnasium der Stadt Alsdorf     |    Deutscher Schulpreis Gymnasium Alsdorf     |     Gleitzeit Gymnasium Alsdorf  |
Gymnasium Alsdorf     |     Gymnasium Alsdorf Tablets     |     Gymnasium Alsdorf alte Lehrer     |     Begabtenlotse Gymnasium Alsdorf     |    
Gymnasium Alsdorf Schüler Lehrer Aussuchen  |  Gymnasium Alsdorf Schulentwicklung  |  Gymnasium Alsdorf Gleitzeit  | 
50 Jahre Gymnasium Alsdorf  |  Gymnasium Alsdorf Gesundheit  |  Alsdorf Unternehmen Stadt Kommune Land Bund Handwerk Handwerk-Alsdorf Schule-Alsdorf Alsdorf-Gymnasium Gymnasium-Alsdorf Bangert Axel Arnold Gymnasium Rechtsanwalt Schulamt |