Data-Gouv-FR/indices-de-position-sociale-dans-les-erea-a-partir-de-2022

社会地位指数（IPS）用于通过学生父母的职业和社会类别（PCS）来评估其社会地位。每个PCS或PCS对都对应一个IPS数值，该数值是与学业成功相关的社会经济和文化属性的定量总结。IPS越高，学生平均社会背景越优越；越低则社会背景越不利。IPS的参考值基于统计方法确定，综合了描述学生生活条件的特征（参见Rocher, 2016年文章）。初始版本（截至2021年）使用2007年进入六年级的DEPP面板数据计算；自2022年起，使用2011年进入CP的DEPP面板数据更新，导致系列中断。学校的社会水平通过计算在校学生的平均IPS来评估，但IPS是一个简化指标，不能完全反映学生社会经济和文化复杂性。基于家庭申报和学校记录的PCS，IPS存在误差，建议不要过度解读平均IPS差异小于3点的情况。社会异质性指数是学生IPS的标准差，越高表示学生社会背景越多样化，自2019年起仅针对中学计算，自2022年起排除父母PCS未记录的学生。数据集覆盖法国国家教育监管的EREA（公立和合同私立学校），提供每个学校每年的平均IPS和标准差，IPS在少于5名学生时不记录。The Social Position Index (IPS) assesses students social status based on the professions and social categories (PCS) of their parents. Each PCS or PCS pair is associated with a numerical IPS value, which serves as a quantitative summary of socio-economic and cultural attributes linked to academic success. A higher IPS indicates a more advantaged social background on average, while a lower IPS indicates a more disadvantaged background. The reference values for IPS are determined using statistical methods that synthesize characteristics describing students living conditions (see Rocher, 2016). The initial version (used until 2021) was calculated from DEPP panel data of students entering sixth grade in 2007; starting in 2022, it was updated using DEPP panel data of students entering CP in 2011, leading to a series break. The social level of a school is evaluated by calculating the average IPS of its students, but IPS is a simplified indicator and cannot fully capture the socio-economic and cultural complexity. Based on PCS reported by families and recorded by schools, IPS has a margin of error; differences of 3 points or less in average IPS should not be overinterpreted. The social heterogeneity index is the standard deviation of students IPS, with higher values indicating more diverse social backgrounds; calculated since 2019 for secondary schools only, and from 2022, students with unrecorded parental PCS are excluded. The dataset covers EREA under French National Education supervision (public and contract private schools), providing average IPS and standard deviation per school per year, with IPS not recorded if based on fewer than 5 students.

搜集汇总

数据集介绍

构建方式

该数据集源自法国公共数据开放平台data.gouv.fr，汇集了自2022年起法国EREA（适应型教育机构）学生的社会地位指数（IPS）信息。数据集以Parquet和CSV格式存储，遵循LOV2许可协议，其构建基于法国教育部DEPP对2007年及2011年入学学生面板数据的统计分析。具体而言，通过计算学生家长职业与社会类别（PCS）的对应数值，形成表征社会经济文化属性的IPS值，进而汇总出各校的平均IPS及社会异质性指数（即IPS标准差）。数据集中每一条记录对应一所EREA在某学年的统计数据，且当学生人数不足5人时，IPS值不予显示。

特点

这一数据集具有鲜明的结构特征：每个Hugging Face仓库对应一个data.gouv.fr原始数据集，而每个表格型资源则构成独立的子集或配置项，并统一包含名为'train'的分割。目前仅提供一个名为'fr-en-ips-erea-ap2022.parquet'的子集，便于用户直接加载。值得注意的是，自2022学年起，IPS计算的方法论发生变更，导致数据序列出现断裂——参考值已更新，且双亲PCS均未知的学生不再纳入校均IPS统计。该指数可通过平均数值直观反映学校的整体社会阶层倾向，其标准差则揭示了校内学生背景的异质程度，为理解教育公平提供了量化视角。

使用方法

用户可利用Hugging Face的datasets库便捷地调用该数据。在Python环境中，通过'load_dataset'函数指定仓库名称与配置项'fr-en-ips-erea-ap2022.parquet'即可加载数据，并以字典形式访问训练集。例如：from datasets import load_dataset; ds = load_dataset('Data-Gouv-FR/indices-de-position-sociale-dans-les-erea-a-partir-de-2022', 'fr-en-ips-erea-ap2022.parquet'); print(ds['train'])。此方法极大地简化了数据探索与分析的流程，为研究者比较不同EREA的社会构成、追踪年度变化趋势，或结合其他教育指标开展深入实证研究提供了坚实的数据基础。

背景与挑战

背景概述

该数据集源自法国公共数据平台data.gouv.fr，由法国教育部评估、预测与绩效局（DEPP）主导创建，最新版本发布于2022年。核心研究问题是构建一个量化工具——社会地位指数（IPS），用以衡量学生在校内的社会经济与文化背景。该指数基于学生家长的职业与社会类别（PCS），通过统计方法将多维家庭环境信息浓缩为单一数值，从而刻画不同群体在教育成功上的结构性差异。自2007年首次应用于六年级学生面板数据以来，IPS已成为法国教育系统监测学校间社会不平等的重要指标，其2022年更新版引入新的参照表，提高了对当代学生社经背景的适配性。数据集聚焦于区域适应教育机构（EREA），为这些特殊教育机构提供了自2022年起逐年可比的IPS均值与社会异质性指数，支撑教育政策制定与资源分配的公平性评估。

当前挑战

该数据集所应对的领域挑战在于，如何将复杂的家庭社会经济与文化特征转化为可量化、可比且稳定的教育公平度量指标。单一指数难以全面反映学生背景的多维性，且不同年代PCS分类的变化易引发数据断档与纵向比较困难。构建过程中，2011年新入学生面板的引入导致2022年出现方法学断裂，参照表与缺失值处理规则同时变更——自该年起，父母双方PCS均未填报的学生不再纳入均值和标准差计算，造成历史数据不可直接衔接。此外，指数基于学校行政录入的家长职业信息，存在登记误差与填报缺失，研究者被建议避免对小于3点的均值差异进行过分解读，这限制了其在精细层面的政策推理能力。数据质量高度依赖原始申报的完整性，对于学生规模较小的EREA，若样本少于5人则指数不予发布，进一步加剧了数据稀疏性问题。

常用场景

经典使用场景

该数据集收录了法国2022年起区域性教育机构（EREA）的社会地位指数（IPS），广泛应用于教育不平等研究。经典使用场景包括分析不同EREA学生的家庭社会经济背景差异，通过比较各校IPS均值与标准差，揭示社会阶层分布对教育资源配置的影响。研究者可借助此数据，量化评估学校内部及学校间的社会异质性，为教育公平性诊断提供统计基础。

解决学术问题

该数据集主要解决社会地位指数在特殊教育机构（EREA）中应用不足的学术问题。传统研究多聚焦普通学校，而EREA的社会构成复杂，IPS数据能精准刻画其学生家庭的职业与社会类别（PCS）分布，纠正分析盲区。通过2022年更新后的参照表，研究可追踪社会地位与学业成就之间的动态关联，缓解因家庭背景数据缺失导致的统计偏差，提升教育社会学模型解释力。

衍生相关工作

该数据集衍生了多项经典研究，最著名的是Rocher（2016）构建的IPS方法论，其发表于《Éducation & formations》，为后续社会指数建模奠定基础。Dauphant等（2023）的《Note d'Information》进一步利用该数据，系统地描述了学校间不平等现象，推动了Catherine Simon等人对PCS与IPS映射表的迭代优化。这些工作形成了从量化指标到政策解读的完整链条，深化了教育社会学领域对结构性不公的理解。