相关的研究
相关的话题
基于人工神经网络的半监督学习诊断分类方法
本研究首次将半监督学习的思想应用到CDM中,并用验证性检验代替AIC、BIC等典型的统计准则为神经网络选择合适的参数。
作者:康雪,莱恩·布拉德肖
话题:测量和缩放
2021
通过不同技术和心理测量基础设施进行MAP生长测试的可比性:一项模拟研究
本报告介绍了通过模拟进行的模式可比性研究的结果,以评估在基于约束的引擎(CBE)上实施的地图增长分数与在当前地图增长引擎(称为COLO)上实施的地图增长分数的比较。
2021
学习曲线:重新审视年内线性增长假设
重要的教育政策决策,如是否缩短或延长学年,通常假设成绩的增长在整个学年呈线性增长。本研究使用2016-17学年秋季、冬季和春季700万幼儿园至8年级学生的数据来检验这一未经验证的假设.
2021
NISS Ingram Olkin论坛:新冠病毒和学校:建模开放、关闭和学习损失
在国家统计科学研究所(NISS)的“Ingram Olkin”统计服务社会“在论坛上,来自全国各地的专家分享了他们在报告和研究COVID-19对美国学校的影响方面所面临的统计和数据分析挑战。请在论坛和主持人上阅读更多信息国家统计局网页.
作者:梅根·库菲尔德
话题:COVID-19和学校,测量和缩放
2020
新冠病毒-19如何影响学生学习?2020年秋季的初步发现
在布朗中心黑板(布鲁金斯学会)的博客中,NWEA的研究人员分享了新研究的发现,新研究揭示了新冠病毒-19大流行对学生学习的影响。
作者:梅根·库菲尔德,詹姆斯Soland,贝丝Tarasawa,安吉拉·约翰逊,埃里克·鲁泽克,卡琳·刘易斯
话题:COVID-19和学校,股本,测量和缩放
2020
技术附录:新冠肺炎期间的学习:学生阅读和数学成绩及成长的初步调查结果
本技术概要提供了概要中强调的样品、方法和分析结果的更多细节,新冠肺炎期间的学习:学生阅读、数学成绩和成长的初步发现.
作者:梅根·库菲尔德,埃里克·鲁泽克,安吉拉·约翰逊,贝丝Tarasawa,卡琳·刘易斯
话题:COVID-19和学校,测量和缩放
2020