这种可视化的开发提供国家级的见解在2020年至2021年学年学生MAP增长表现如何。评估是一个指标，在许多，从COVID-19学生的影响。我们用这个工具的目标是创建可视化数据，告知学术恢复工作将在2022学年及以后是必要的。

该指南解释了分析，统计，计算，并列入NWEA状态仪表板数据，探索COVID-19的教育影响。

为了避免一个人的主观评价感兴趣的结构（例如，一个学生在学校的自我效能），多个评价者经常被使用。该研究为在多个评估者的存在估计生长的模型。

此项研究是采用半监督学习的思想统一到CDM的第一次。此外，我们使用的验证试验，选择了人工神经网络，而不是使用典型的统计标准，如AIC，BIC相应的参数。

本研究采用来自728923 3 - 8年级学生在美国各地的2056所学校读书考试分数阈值设置方法比较检测noneffortful项目响应。等有助于对涉及使用给定的方法来确定noneffortful反应的权衡提供指导。

本文描述了一种识别部分交战的方法，并为其使用和解释提供了验证证据。当测试事件表明存在部分投入时，努力调节分数应谨慎解释。

通过模拟进行的这份报告提出了一个模式可比性研究的结果来评估从MAP成长得分上基于约束的引擎（CBE）管理如何比较那些被称为COLO当前地图的增长引擎管理。