A Level与IBDP的区别联系

分类：A-Level课程资讯日期：2023年5月8日 14:51

A Level与IBDP的区别联系

　　点击查看>>>CIEALevel数学S1统计学排列的三大黄金法则(上)

　　国际文凭组织(IBO)发布过一篇文章，根据英国非营利组织高等教育统计局(HESA)的调查报告，文章得出结论称在英国高等院校学习的IBDP学生全面超越ALevel学生的表现。这是否意味着IB适合所有学生?中国家长和学生应该如何选择?让我们带着这些问题细读一下这篇文章。

　　该文指出，高等教育统计局研究了2007到2013年间IBDP和ALevel学生在英国高等教育机构(HEI)的多项数据，包括在英国排名前20的大学的入学情况、就读科学、技术、工程和数学(STEM)课程的情况、大一到大二的升学情况、一等或二等荣誉学位的获得情况、以及学生毕业后6个月的去向情况。

　　调查将对象学生分为三组

　　1.“学生”组：样本包括就读于英国高等教育机构(HEI)的全日制第一学位项目的一年级学生，IBDP学生和ALevel学生，各11,055名。

　　2.“合格”组：样本包括已经在英国高等教育机构完成全日制第一学位项目学习的学生，IBDP学生和ALevel学生各6,455名。

　　3.“离校”组：样本包括已经在英国高等教育机构完成全日制第一学位项目学习，并在6个月后完成了HESA“高等教育完成后去向”(DLHE)调查的学生，IBDP学生和ALevel学生，各5,295名。

　　得出的结果如下表所示：

　　其中ALevel学生除了在大学第一年就读STEM课程的比例高于IBDP学生，其他方面均落后。特别是在排名前20的英国高等教育学院中，IBDP学生的录取率高达45.7%，而ALevel学生的录取比例只有32.9%。而且IBDP学生获得一等荣誉学位的比例达到22.9%，高于ALevel学生的19.4%，这也反映了IBDP学生拥有更强的学术能力。文章还指出，毕业后IBDP学生更有可能继续学业深造，而ALevel学生则更多地直接参加工作。

　　笔者无意否认IBDP课程的优点，但这份报告和解读文章中有一些逻辑黑洞，在此指出来，以免误导家长和学生。

　　取消的代表性

　　在三个不同的对象组，研究机构都选取了同样数量的IBDP和ALevel学生，分别共计22,805人。研究小组还使用了包括倾向评分匹配和逻辑回归等在内多种手段，确保研究的对象处于近似的社会经济地位，看似很公平。但根据HESA统计的数据，2007到2013年间，在英国高等教育机构就读的IBDP学生人数为4.8万人，而同期ALevel的学生人数则高达120多万人，也就是说研究对象占到了在英国高校就读的IBDP学生的47%，而仅占ALevel学生的不到2%，显然这些研究对象对ALevel学生的代表性差很多。

　　对象的可比性

　　事实上，ALevel相当于是英国国立高中课程，绝大部分学校都是使用这套课程，无论是学校教学还是学生素质都参差不齐，而IBDP还是少数国际化学校的选择，从生源、师资、家庭背景各方面都有优势。研究对象的人口统计数据表明，36.6%的IBDP学生来自英国本土，而ALevel学生中这一比例高达95.1%，其中，36.1%的IBDP学生曾在私立学校就读，而ALevel学生只有13.8%有就读私校的经历。这不是两套课程体系之间的对比，而是普适性大众教育与精英化国际教育之间的对比。这相当于在中国随机抽取2万名参加高考和2万民参加SAT考试的学生做对比，结果不言而喻。所以被调查的IBDP学生大学毕业后更多从事职业、科学、技术等工作，而ALevel学生毕业后却有更多人选择批发和零售、机动车和摩托车修理等工作，也就不足为奇了。

　　ALevel的国际版本

　　这样的研究也许在中国或者是美国开展更有意义，因为在海外市场，ALevel和IBDP都成了当地私立学校的选择，学校、师资、生源之间的差异反而缩小了。实际上，国际版本的ALevel与英国本土的ALevel也不完全一样，包括考试时间、考试大纲、大学认可等，例如2015年初英国ALevel改革风波，就不涉及由剑桥国际考试委员会提供的ALevel国际课程，学生的AS成绩依然可以计入ALevel的总分，也为大学申请提供了更有效的依据。

　　其实，IBDP和ALevel课程各有千秋，适合不同类型的学校和学生。比较而言，IBDP注重学生的全面发展，特别强调团队协作和人文关怀，但课程整体难度高、强度大，而且必修的六组学科里最多只有2个理工类科目(数学和科学)，而ALevel课程则更注重个人兴趣和深度学习，没有任何选课的约束，学生可以选择更多的理工科目，这也解释了为什么更多ALevel学生在大学第一年就选择科学、技术、工程和数学(STEM)课程的原因。

　　阅读这份报告，必须先了解这些隐含的背景信息，思考数据背后的原因，建议兼听则明，不必照单全收。