L’ECCELLENZA IN MATEMATICA È ANCORA UNA QUESTIONE MASCHILE? UNA ESPLORAZIONE SU RESILIENTI E AVVANTAGGIATI ECCELLENTI IN
2. Alcuni modelli di regressione logistica per comprendere l’effetto di genere
2.1 Le caratteristiche degli studenti e delle studentesse
Genere. Il modello di regressione logistica binaria (Tabella 1) conferma che, in media, i ragazzi raggiungono livelli di eccellenza superiori a quelli delle ragazze (Gallagher e Kaufman, 2005; Guiso, Monte, Sapienza e Zingales, 2008), al netto di tutte le variabili considerate. Le ragazze mostrano una probabilità ridotta del 53% di raggiungere l’eccellenza rispetto ai ragazzi. L’analisi per gruppi di resilienti (Tabella 2) mostra che il gap di genere è accentuato soprattutto tra gli avvantaggiati e fra chi viene da un contesto molto svantaggiato. È da notare che la minore probabilità di raggiungere l’eccellenza è confermata anche al netto della variabile relativa alla misura di ansia. L’ansia è uno dei fattori di maggiore attenzione in relazione alle performance di matematica secondo una prospettiva di genere (Steele, 1997; Spencer & Aaronson, 2002).
96
Tabella 1. Regressione logistica binaria delle probabilità di essere uno studente top
performer o non essere uno studente top-performer. Odds ratio, standard errors e p-value
(***p<0.01,** p<0.05, *p<0.1)
Top-performers vs. Non top-performers
Odds-ratios P-value Standard Error
Caratt eri st ic h e d eg li stu d en
ti Genere (Rif. Ragazzo)
Ragazza 0.534 *** (0.092)
Status di immigrazione (Rif. Nativo)
Prima e Seconda Generazione 0.693 ** (0.189)
Beni di possesso culturali 1.140 ** (0.053)
Status socio-economico e culturale(ESCS) 1.011 (0.957)
Ansia per la matematica 0.686 *** (0.062)
Autostima rispetto alla matematica 2.145 *** (0.063)
Familiarità con i concetti matematici 1.947 *** (0.052) Attività extracurriculari di matematica 1.151 *** (0.046)
Caratt eri st ic h e d el le s cu o le
Fattori in grado di influenzare il clima di scuola 1.216 *** (0.052)
Proporzione di ragazze nelle scuole 0.401 *** (0.284)
Media ESCS della scuola 2.478 *** (0.154)
Proporzione di insegnanti di matematica 32.615 *** (1.041)
Rapporto studenti/insegnanti 1.043 *** (0.012)
Tipo di scuola (Rif. Licei)
Istituti Tecnici 0.706 ** (0.175)
Istituti Professionali 0.088 *** (0.562)
IeFP 0.188 *** (0.527)
Area geografica (Ref. Nord-Ovest)
Nord-Est 1.626 *** (0.119) Centro 0.749 ** (0.132) Sud 0.363 *** (0.154) Sud e Isole 0.214 *** (0.157) Costante 0.050 *** (0.319) N. 8,834
Status di immigrazione. La presenza di una immigrazione stabile in Italia negli ultimi 15 anni ha consentito di condurre una serie di analisi sui dati PISA 2012. Per questa tornata la percentuale di studenti di prima e seconda generazione è risultata pari al 7,3% in Italia. Questa percentuale, sebbene in misura minore a quanto accaduto tra le tornate precedenti, è comunque cresciuta. La prima generazione di studenti risulta pari al 5,5% (4,2% nel 2009) e la seconda generazione di studenti rappresenta il 2% (1,3% nel 2009). Dal momento che la percentuale di studenti di seconda generazione rimane bassa (e sotto la soglia limite del 3% stabilita dall’OCSE per risultati statisticamente validi), questa ultima modalità è stata accorpata a quella degli studenti di prima generazione. Il modello di regressione logistica mostra che essere uno studente non nativo è penalizzante rispetto alla probabilità di essere uno studente eccellente se confrontata con la probabilità di uno studente nativo. Tra gli svantaggiati questa condizione non appare significativa ma è necessario considerare il numero di casi molto ridotto.
97
Beni di possesso culturali. Un numero consistente di teorie sostiene che i beni culturali si traducono in capitale culturale per lo studente e che questo, a sua volta, esercita un’influenza sui livelli di performance degli studenti (Willms, 2003). In generale, l’indice di possesso dei beni culturali sembra essere un predittore più consistente del più generico indice ESCS. Gli studenti che hanno un valore alto dell’indice dei beni culturali sembrano avere maggiori probabilità (incremento del 14%) di diventare top performers. In ogni caso se si osserva ciò che accede tra le categorie di resilienti e avvantaggiati questo indice non risulta più significativo.
L’indice di status socio-economico e culturale della famiglia di origine (ESCS). L’indice di status socio-economico e culturale della famiglia di origine è uno degli indicatori predittivi più utilizzato per predire le performance degli studenti nelle competenze di base. Nel modello di regressione binario, l’odds-ratio relativo all’ESCS non sembra influire sulla probabilità di essere un top performer. L’analisi per categorie di resilienti e avvantaggiati mostrano un fortissimo effetto dell’ESCS che risulta negativo sui resilienti e molto positivo sugli avvantaggiati.
Ansia per la matematica. Come anticipato, l’attenzione dei ricercatori si è molto focalizzata sull’effetto dell’ansia di ragazzi e ragazze sulla matematica. In termini assoluti, sono in misura maggiore le ragazze a manifestare sentimenti di ansia. Secondo una serie di studi, l’ansia è generata da un messaggio negativo durante la fase della prima socializzazione. Questo messaggio causa una minore capacità di saper affrontare i test di matematica in relazione a quanto i test sono ritenuti socialmente complessi (Meece, Wigfield & Eccles, 1990). PISA chiede agli studenti di riportare quanto sono d’accordo con le seguenti affermazioni: sono spesso preoccupato perché le lezioni sono troppo difficili; mi sento teso quando devo fare i compiti di matematica a casa; sono nervoso quando devo risolvere un problema di matematica; mi sento incompetente quando risolvo un problema di matematica; mi preoccupa prendere un voto basso in matematica (OECD, 2013). In generale, molti studenti affermano di essere particolarmente preoccupati per la matematica. Gli studenti ansiosi hanno sentimenti più negativi, sono spaventati e preoccupati per la matematica e questo gruppo di studenti hanno risultati più bassi rispetto ai colleghi che risultano meno ansiosi. Una parte di queste differenze nei risultati è riconducibile all’effetto diretto dell’ansia sull’attivazione delle risorse cognitive. Questo significa che studenti più ansiosi sono inabilitati nel dedicare abbastanza attenzione alla risoluzione dei problemi di matematica perché troppo impegnati a preoccuparsi per il tipo di materia. Gli studenti italiani, comparati alla media degli studenti OCSE, hanno livelli piuttosto elevati di ansia in tutte le aree principali. L’effetto negativo di questa variabile sulle performance è abbastanza uniforme trasversalmente a tutte le aree del paese, con valori che portano ad un decremento del punteggio da un minimo di 26 punti nel Sud e Isole fino ai 33 punti del Nord-Est e una media nazionale di 31 punti. La differenza di punteggio tra studenti che sono più ansiosi e quelli meno ansiosi (range interquartile) è pari a 70 punti (Fiore e Romeo, 2016b). Il modello di regressione logistica mostra l’effetto netto dell’ansia la probabilità di essere uno studente eccellente: al crescere dell’ansia le probabilità diminuiscono del 32%. Gli studenti top performers avvantaggiati ed, in particolare, quelli svantaggiati risultano essere meno ansiosi rispetto a quelli non top performers.
98
Concetto di sé in matematica (autostima). Pisa misura la misura in cui gli studenti credono nella propria capacità di riuscire a svolgere compiti di matematica. In termini assoluti le ragazze mostrano valori medi del concetto di sé più contenuti in matematica (anche se il dato varia per tipologia di scuola). Il Questionario Studente chiede agli studenti in quale misura sono d’accordo con le seguenti affermazioni: non sono molto bravo in matematica; ottengo voti alti in matematica; imparo velocemente in matematica; la matematica è sempre stata una delle mie materie preferite; capisco anche i concetti più complessi nei compiti di matematica. Gli studenti italiani hanno un’ elevata autostima in confronto ai loro pari OCSE. Nel Sud, molti più studenti che nel Nord credono nelle proprie capacità. Le aree in cui l’effetto dell’autostima è maggiore sono quelle del Nord-Est e del Sud; qui, un incremento di questo indicatore implica un incremento nel punteggio di matematica di 39 e 37 punti rispettivamente. A livello nazionale, c’è un incremento di 32 punti per ogni incremento unitario dell’indicatore. L’odds-ratios indica un impatto significativo di questa variabile sulla probabilità di essere un top performer. Questo è vero per gli studenti avvantaggiati ed è particolarmente vero per gli studenti svantaggiati e fortemente resilienti.
Familiarità con i concetti di matematica. Avere familiarità con i concetti di matematica aiuta nella probabilità di essere un top performer. Questo è particolarmente vero per gli studenti resilienti, sebbene anche tra gli avvantaggiati si rilevi un effetto positivo di questa variabile.
Attività di matematica scolastiche extracurriculari. PISA chiede agli studenti di riportare quanto spesso (sempre, spesso, qualche volta, raramente o mai) gli studenti sono coinvolti in attività scolastiche extracurriculari di matematica (OECD, 2013). Le attività di matematica considerate sono: parlare di problemi di matematica tra amici; aiutare gli amici con la matematica; fare matematica come attività extracurriculare; partecipare a competizioni di matematica; fare matematica per più di due ore fuori dalla scuola; giocare a scacchi; programmare al computer; appartenere ad un club di matematica. Rispetto alla media gli studenti italiani partecipano più dei loro pari OCSE ad attività extracurriculari di matematica. Il livello di partecipazione mostra una grande variabilità tra aree: nel Sud Italia gli studenti partecipano più nelle attività di matematica che nel Nord. L’impatto di queste attività, in ogni caso, è più pronunciato nelle regioni del Nord- Italia con un incremento di 11 punti nel Nord-Ovest. A livello nazionale, avere un elevato coinvolgimento nelle attività nazionali sembra non avere un impatto sulle performance di matematica. La differenza di punteggio tra gli studenti che partecipano di più e quelli che partecipano meno alle attività di matematica sembra confermare il basso impatto di questa variabile sul punteggio di matematica. Tra gli avvantaggiati questa variabile sembra avere un effetto positivo.
99
Tabella 2 – Regressione logistica multinomiale delle probabilità di essere uno studente top
performer fortemente resiliente contro non essere uno studente top performer e uno
studente top-performer avvantaggiato contro uno studente non top performer. Odds ratio, standard errors e p-value (***p<0.01,** p<0.05, *p<0.1)
Resiliente forte Top- Performer vs. Non Top
Performer
Avvantaggiato vs. Non Top Performer Coefficiente Standard Error Coefficiente Standard Error Caratt eri st ic h e d el lo s tu d e n te
Genere (Rif. Ragazzo)
Ragazza -0.440 * (0.426) -0.563 *** (0.141)
Status di immigrazione (Rif. Native)
Prima e Seconda Generazione 0.141 (0.371) -1.047 ** (0.448) Beni di possesso culturale 0.192 (0.133) 0.005 (0.098) Status socio-economico e
culturale (ESCS) -3.056 *** (0.134) 1.751 *** (0.121) Ansia per la matematica -0.460 *** (0.163) -0.337 *** (0.098) Autostima rispetto alla
matematica 1.173 *** (0.186) 0.881 *** (0.101) Familiarità con i concetti
matematici 1.063 *** (0.135) 0.677 *** (0.079) Attività extracurriculari di matematica -0.109 (0.137) 0.273 *** (0.073) Caratt eri st ic h e d el le s cu o le
Fattori in grado di influenzare il
clima di scuola 0.371 ** (0.153)
0.274
** *** (0.502) Proporzione di ragazze nelle
scuole -0.204 (0.728) -1.144 *** (0.502)
Media ESCS della scuola 1.539 *** (0.437) 0.749 *** (0.235) Proporzione di insegnanti di
matematica 8.225 *** (3.206) 1.186 (1.583) Rapporto studenti/insegnanti 0.013 (0.039) 0.70 *** (0.21) Tipo di scuola (Rif. Licei)
Istituti Tecnici 0.118 (0.426) -0.568 * (0.312) Istituti Professionali -2.608 (0.436) -3.701 ** (1.702)
IeFP -2.927 ** (1.157) - - -
Area geografica (Ref. Nord-Ovest)
Nord-Est 1.068 *** (0.348) 0.446 ** (0.189) Centro 0.560 (0.373) -0.362 * (0.205) Sud -2.064 *** (0.533) -1.068 *** (0.237) Sud e Isole -3.037 *** (0.667) -1.557 *** (0.264) Intercetta -17.444 *** (2.599) -30.805 *** (2.399) N. 8,834 8,834
100
2.2 Le caratteristiche di scuola
Clima di scuola. L’indice del clima di scuola è costruito sulla base dei seguenti item del Questionario Scuola e mira a rilevare la misura in cui l’apprendimento degli studenti è inficiato da: assenze ingiustificate, ritardi nell’arrivo a scuola, presenza di atteggiamenti negativi verso gli insegnanti, vandalismo, comportamenti devianti (alcool o droghe illegali), intimidazioni e bullismo verso altri studenti. La scala dell’indice è invertita rispetto ai valori degli item: valori più elevati indicano comportamenti positivi (OECD, 2013). Un atteggiamento positivo degli studenti incrementa la possibilità di essere top performers in modo simile tra studenti avvantaggiati e svantaggiati.
Percentuale di ragazze nella scuola. Un incremento nella percentuale di ragazze nella scuola corrisponde ad una diminuzione nella probabilità di essere un top performers in matematica. Questo è confermato in particolare tra gli studenti avvantaggiati. In parte ciò si spiega con la tipologia di corsi frequentati da ragazze e ragazzi. Sfortunatamente l’indagine PISA non consente di offrire dettagli più specifici sul tipo di scuola ma solo se la scuola è un Liceo, un Istituto Tecnico, un Istituto Professionale o un centro di formazione professionale regionale (IeFP). I licei, in particolare, mostrano percorsi anche molto differenziati al loro interno: in alcuni casi si caratterizzano per percorsi molto forti e strutturati a livello matematico (ad esempio nei Licei Scientifici) ma in altri casi da un percorso matematico molto debole (ad esempio nei Licei per le Scienze Umane). Le ragazze scelgono, in misura maggiore dei ragazzi, percorsi che richiedono minori competenze matematiche.
Livello medio di ESCS della scuola. Il livello medio di status socio-economico e culturale degli studenti frequentati la scuola rivela che questo indicatore mostra percentuali di top performers più elevate laddove questo indicatore è più elevato e ciò risulta confermato sia per i resilienti e sia per gli avvantaggiati.
Proporzione di insegnanti di matematica. La proporzione è ottenuta dividendo il numero di insegnanti di matematica sul numero totale di insegnanti della scuola. Di fatto, questo indicatore rivela la solidità del percorso matematico all’interno della scuola mostrando l’effetto positivo di questa variabile sulla probabilità di essere un top performer. La proporzione di insegnanti di matematica nella scuola assume rilevanza soprattutto per gli studenti provenienti da un contesto fortemente svantaggiato. Rapporto numerico studenti/insegnanti. L’indice è costruito dividendo il numero di studenti per il numero totale di insegnanti. Gli insegnanti part-time sono calcolati come 0.5 mentre gli insegnanti a tempo pieno come 1.0. L’odds-ratio indica che laddove il rapporto studenti/insegnanti è più elevato, la probabilità di essere top performers aumenta. Questa probabilità è particolarmente rilevante per gli avvantaggiati. È possibile ipotizzare che, in particolare per le ragazze, quando il rapporto tra studenti/insegnati è più elevato e, conseguentemente, il rapporto con l’insegnante meno personalizzabile ciò consenta in parallelo di poter più facilmente svicolare dagli stereotipi che possono essere presenti negli insegnanti.
Tipo di scuola. Come detto in precedenza, uno dei limiti di PISA è di distinguere in modo generico e sommario il tipo di scuola, senza entrare nel merito delle caratteristiche del corso dello specifico tipo di scuola. In ogni caso, il modello di regressione logistica mostra che, al netto delle variabili incluse nel modello, i Licei sono il tipo di scuola nei
101
quali le probabilità di essere un top performer sono più elevate. La bassa presenza di studenti degli studenti negli istituti professionali e negli IeFP rende non significativi i valori di questa variabile nei modelli.
Macro-Area geografica. I risultati del modello logistico confermano il trend già visto nelle analisi descrittive: abitare in una regione del Nord-Ovest, ed, in particolare del Nord-Est aumenta molto la probabilità di essere un top performer. È interessante osservare come le principali differenze nell’essere un top performer sono particolarmente rilevanti tra gli studenti svantaggiati delle diverse aree del paese. Il modello di regressione multinomiale conferma che vivere nel Nord ed essere uno studente svantaggiato porta a maggiori probabilità di essere un top performer rispetto ad essere uno studente che vive nel Sud ed è svantaggiato (Fiore e Romeo, 2016a).
3. Conclusioni
A quindici anni l’eccellenza in matematica sembrerebbe una questione maschile. Si può discutere di se e come ciò può essere decostruito a favore di una maggiore rappresentatività delle ragazze: il dato di partenza, però, è quello di una indiscutibile maggiore e significativa presenza di ragazzi tra i livelli dell’eccellenza matematica. Le indagini nazionali e internazionali sembrano confermare il divario, soprattutto nei livelli di performance più elevati. Per quanto questa differenza sia ormai nota e abbastanza costante nel tempo, alcune azioni volte a ridurre il divario nei risultati di ragazze e ragazzi sono ancora possibili. È ormai noto come l’incremento della partecipazione femminile al mercato del lavoro potrebbe assicurare una sostanziale crescita nel prodotto interno lordo di ciascun paese (OECD, 2013). In modo simile, puntare ad incrementare l’eccellenza focalizzandosi sulle ragazze potrebbe far crescere il capitale umano del paese, e, a cascata, un gran quantità di fattori collegati al mercato del Lavoro e al GDP
.
La maggiore presenza maschile tra i risultati eccellenti non è un dato nuovo per le indagini di rilevazione degli apprendimenti e non è un dato nuovo per la letteratura di settore che si occupa di questo tema da ormai più di 40 anni. Come spiegare? Innanzitutto è necessario tenere presente che per quanto costituiscano uno zoccolo duro difficile da decostruire nel tempo, le differenze medie, anche sull’eccellenza dove sono più ampie rispetto alla media più generale, sono contenute. Le teorie che attualmente trovano più credito rimandano al permanere dello stereotipo di genere in matematica che si attiva in modo più forte nel corso dell’adolescenza. Lo stereotipo si traduce in un maggiore impatto negativo per le ragazze su fattori quali maggiore ansia per la matematica, minore auto consapevolezza e fiducia nelle proprie capacità. Questo è un primo punto su cui chi si occupa di politiche educative potrebbe focalizzarsi. In secondo luogo si osserva come parte della differenza di genere è assorbita da indirizzi scolastici matematicamente più fragili scelti in misura maggiore delle ragazze, dalle rispettive famiglie e, non infrequentemente, anche su suggerimento degli insegnanti. È qui possibile lavorare su un doppio binario: da un lato, certamente, sull’orientamento delle ragazze verso percorsi di matematica più strutturati e dall’altro sul rafforzamento dei contenuti matematici e della relativa trasmissione di questi in tutti gli indirizzi scolastici. Perché, è bene ricordarlo, la matematica è una competenza di base ed è
102
anche una premessa per l’acquisizione di competenze scolastiche e professionali su basi durature.
Bibliografia
Aaronson D., L. Barrow, W. Sander (2007) “Teacher and student achievement in the Chicago Public High Schools”, Journal of Labor Economics, No.1, 95-135.
Basinger J. (1997) “Graduate Record Exam is poor predictor of succes in psychology.” Academe Today, www.cronicle.com/chedata/news.dir/dailarch.dir/9708.dir97080603. Benbow C.P., Stanley J.C. (1982) “Consequences in high school and college of sex differences in mathematical reasoning ability: A longitudinal Study”, American Educational research Journal, 19, 598-622.
Caplan J.B., Caplan J.P., (2005) “The perseverative Search for Sex Differences in Mathematics Ability” in Gallagher A.M., Kaufman, J.C., 2005 Gender Differences in Mathematics. An integrative psychological approach. Cambridge University Press. Coleman J.S., Campbell E.Q., Hobson C.J. McPartland J., Mood A.M., Weinfall F.D., York R.L., (1966) Equality of Educational Opportunity? New International evidence, US Government Printing Office: Washington DC.
Davies P.G., Spencer S.J. (2002) Reinforcing the glass ceiling via stereothype threat: Gender sterotypic media images persuade women to avoid leadership positions. Unpublished manuscript, Standford University.
Fiore, B. (2008) I ragazzi sono più bravi delle ragazze in matematica? Interpretare la relazione tra genere e competenze matematiche con il supporto dei dati OCSE-PISA 2003. Tesi di dottorato, Università di Milano-Bicocca.
Fiore, B., Romeo, I. (2016) Resilienti e avvantaggiati eccellenti nelle regioni PON Sicilia, Campania, Calabria: Caratteristiche degli studenti e fattori di scuola in grado di favorirne l’incremento, in Palmerio, L. (a cura di). (2016), PISA 2012. Contributi di approfondimento. Roma: Franco Angeli – Open Access
Fiore, B., Romeo, I. (2016)Motivazione, impegno e fiducia in se stessi nelle regioni PON, In “PISA”2012. Contributi di approfondimento”. in Palmerio, L. (a cura di). (2016), PISA 2012. Contributi di approfondimento. Roma: Franco Angeli – Open Access
Gallagher A.M., De Lisi R., (1994) “Gender differences in scholastic aptitude test mathematics problem solving among high ability students”, Journal of Educational Pshycology, 86(2).
Gallagher A.M., Kaufman, J.C. (2005) Gender Differences in Mathematics. An integrative psychological approach. Cambridge University Press.
Guiso L., Monte F., Sapienza P., Zingales L., (2008) “Culture, Gender and Math”, Science, 320, 1164, 2008
Halpern D.F., Wai J., Saw A. (2005) “Psychobiosocial Model: Why Females Are Sometimes Greater Than and Sometimes Less Than Males in Math Achievement” in Gender Differences in Mathematics: An Integrative Psychological Approach, ed. A. M. Gallagher and J. C. Kaufman (Cambridge: Cambridge University Press)
103
Hyde J.S., Jaffeee S. (1998) “Perspective from social and feminist psychology”, Educational Researcher, 27(5).
Leahey E., Guo G., (2001) “Gender Differences”, Mathematical Trajectories Social Forces, Vol. 80, No. 2. (Dec., 2001) 713-732.
Longobardi S., Agasisti T. (2012) “Studenti resilienti: quando la famiglia “non conta”. Un’analisi esplorativa della resilienza nella scuola italiana.”, Statistica e Società, Anno 1, N.3, pp 19-21.
Martini A. (2005) “Il rendimento scolastico italiano. Valori nazionali e differenze regionali”, Osservatorio italiano n.3/05, Il Mulino, Bologna
Meece J.L., Wigfield A., Eccles J.S., (1990) “Predictors of math anxiety and its consequence for young adolescent course enrollment intentions and performance in mathematics”, Journal of Educational Psichology, 82.
Mills C.J., Ablard. K.E., Stumpf H. (1993) “Gender differences in academically talented young students mathematical reasoning: Patterns across age and subskills.”, Journal of Educational Psychology, 85, 340-346.
OECD (2010) PISA 2009 results: Overcoming social background: Equity in learning opportunities and outcomes (Volume II). Paris: OECD Publishing.
OECD (2011) Against the Odds. Disadvantaged students who succeed in Schools. Paris: OECD Publishing.
OECD. (2013) PISA 2012 Results Through Equity. Giving every student the chance to succeed. (Volume II), Paris: OECD Publishing.
Pennisi G. (2010) “La valutazione economica dei sistemi educativi e formativi (con una particolare attenzione anche alla situazione della ‘crisi’)”, RIV Rassegna Italiana di Valutazione, n.46, pp.43-58.
Robinson N.M., Abbot R.D., Beringer V.W., Busse J. (1996) “The Structure of abilities in math-precocious young children: Gender Similarities and Differences.”in Journal of Educational Psychology,88.
Steele C.M. (1997) “A treath in the air: how stereotypes shape intellectual identity and performance.” American Pshycologist, 52.
Sternberg R.J., Williams W.M. (1997) “Does the graduate record examination predict meaningful success in the graduate training of psychologist? A case study.”, American Psychologist, 52 (6).
Wang T., Lu J., Li B., Zheng Z. (2011) “Searching for the reasons of Shanghai students’ high scores in PISA 2009 reading assessment with a school system perspective”, Curriculum and Instruction Quarterly, 14(4), 93–116.
Willms, J.D. (2003) Ten hypotheses about socio-economic gradients and community differences in children’s developmental outcomes. Ottawa, Ontario, Canada: Applied