Información del autor
Autor von Davier, Alina A. |
Documentos disponibles escritos por este autor (3)
Crear una solicitud de compra Refinar búsquedaComputational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment / von Davier, Alina A. ; Mislevy, Robert J. ; Hao, Jiangang
TÃtulo : Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment : With Examples in R and Python Tipo de documento: documento electrónico Autores: von Davier, Alina A., ; Mislevy, Robert J., ; Hao, Jiangang, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 262 p. 1 ilustraciones ISBN/ISSN/DL: 978-3-030-74394-9 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Educación PsicometrÃa Ciencias sociales EstadÃstica en Ciencias Sociales Humanidades Derecho Ciencias del Comportamiento PolÃticas Públicas Clasificación: 370 Educación (generalidades)
Resumen: Este libro define y describe una nueva disciplina, denominada "psicometrÃa computacional", desde la perspectiva de nuevas metodologÃas para el manejo de datos complejos provenientes del aprendizaje y la evaluación digitales. Los editores y los autores contribuyentes discuten cómo las nuevas tecnologÃas aumentan drásticamente las posibilidades para el diseño y administración de sistemas de aprendizaje y evaluación, y cómo al hacerlo aumentan significativamente la variedad, velocidad y volumen de los datos resultantes. Luego introducen métodos y estrategias para abordar los nuevos desafÃos, que van desde la identificación de evidencia y el modelado de datos hasta la evaluación y predicción del desempeño de los estudiantes en entornos complejos, como en tareas colaborativas, tareas basadas en juegos/simulación y tareas de evaluación y aprendizaje multimodal. . Por tanto, la psicometrÃa computacional se ha definido como una combinación de psicometrÃa basada en teorÃa y enfoques basados ​​en datos del aprendizaje automático, la inteligencia artificial y la ciencia de datos. Todo esto en conjunto proporciona un mejor marco metodológico para analizar datos complejos del aprendizaje y las evaluaciones digitales. El término "computacional" ha sido ampliamente adoptado en muchas otras áreas, como en la estadÃstica computacional, la lingüÃstica computacional y la economÃa computacional. En esos contextos, "computacional" tiene un significado similar al propuesto en este libro: una perspectiva basada en datos y centrada en algoritmos sobre fundamentos y enfoques teóricos establecidos previamente, ahora ampliados y, cuando sea necesario, reconcebidos. Esta interdisciplinariedad ya es un éxito comprobado en muchas disciplinas, desde la medicina personalizada que utiliza estadÃstica computacional hasta el aprendizaje personalizado que utiliza, bueno, psicometrÃa computacional. Esperamos que este volumen sea de interés no sólo dentro sino más allá de la comunidad psicométrica. En este volumen, expertos en psicometrÃa, aprendizaje automático, inteligencia artificial, ciencia de datos y procesamiento del lenguaje natural ilustran su trabajo, mostrando cómo la experiencia interdisciplinaria de cada investigador se combina en un marco metodológico coherente para abordar datos complejos a partir de complejas interfaces virtuales. En los capÃtulos que se centran en las metodologÃas, los autores utilizan ejemplos de datos reales para demostrar cómo implementar los nuevos métodos en la práctica. Los códigos de programación correspondientes en R y Python se han incluido como fragmentos en el libro y también están disponibles en forma completa en el repositorio de código de GitHub que acompaña al libro. Nota de contenido: 1. Introduction. Computational Psychometrics: Towards a Principled Integration of Data Science and Machine Learning Techniques into Psychometrics (Alina A. von Davier, Robert Mislevy and Jiangang Hao) -- Part I. Conceptualization. 2. Next generation learning and assessment: what, why and how (Robert Mislevy) -- 3. Computational psychometrics (Alina A. von Davier, Kristen DiCerbo and Josine Verhagen) -- 4. Virtual performance-based assessments (Jessica Andrews-Todd, Robert Mislevy, Michelle LaMar and Sebastiaan de Klerk) -- 5. Knowledge Inference Models Used in Adaptive Learning (Maria Ofelia Z. San Pedro and Ryan S. Baker) -- Part II. Methodology. 6. Concepts and models from Psychometrics (Robert Mislevy and Maria Bolsinova) -- 7. Bayesian Inference in Large-Scale Computational Psychometrics (Gunter Maris, Timo Bechger and Maarten Marsman) -- 8. Data science perspectives (Jiangang Hao and Robert Mislevy) -- 9. Supervised machine learning (Jiangang Hao) -- 10. Unsupervised machine learning (Pak Chunk Wong) -- 11. AI and deep learning for educational research (Yuchi Huang and Saad M. Khan) -- 12. Time series and stochastic processes (Peter Halpin, Lu Ou and Michelle LaMar) -- 13. Social network analysis (Mengxiao Zhu) -- 14. Text mining and automated scoring (Michael Flor and Jiangang Hao). Tipo de medio : Computadora Summary : This book defines and describes a new discipline, named "computational psychometrics," from the perspective of new methodologies for handling complex data from digital learning and assessment. The editors and the contributing authors discuss how new technology drastically increases the possibilities for the design and administration of learning and assessment systems, and how doing so significantly increases the variety, velocity, and volume of the resulting data. Then they introduce methods and strategies to address the new challenges, ranging from evidence identification and data modeling to the assessment and prediction of learners' performance in complex settings, as in collaborative tasks, game/simulation-based tasks, and multimodal learning and assessment tasks. Computational psychometrics has thus been defined as a blend of theory-based psychometrics and data-driven approaches from machine learning, artificial intelligence, and data science. All these together provide abetter methodological framework for analysing complex data from digital learning and assessments. The term "computational" has been widely adopted by many other areas, as with computational statistics, computational linguistics, and computational economics. In those contexts, "computational" has a meaning similar to the one proposed in this book: a data-driven and algorithm-focused perspective on foundations and theoretical approaches established previously, now extended and, when necessary, reconceived. This interdisciplinarity is already a proven success in many disciplines, from personalized medicine that uses computational statistics to personalized learning that uses, well, computational psychometrics. We expect that this volume will be of interest not just within but beyond the psychometric community. In this volume, experts in psychometrics, machine learning, artificial intelligence, data science and natural language processing illustrate their work, showing how the interdisciplinary expertise of each researcher blends into a coherent methodological framework to deal with complex data from complex virtual interfaces. In the chapters focusing on methodologies, the authors use real data examples to demonstrate how to implement the new methods in practice. The corresponding programming codes in R and Python have been included as snippets in the book and are also available in fuller form in the GitHub code repository that accompanies the book. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment : With Examples in R and Python [documento electrónico] / von Davier, Alina A., ; Mislevy, Robert J., ; Hao, Jiangang, . - 1 ed. . - [s.l.] : Springer, 2021 . - X, 262 p. 1 ilustraciones.
ISBN : 978-3-030-74394-9
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Educación PsicometrÃa Ciencias sociales EstadÃstica en Ciencias Sociales Humanidades Derecho Ciencias del Comportamiento PolÃticas Públicas Clasificación: 370 Educación (generalidades)
Resumen: Este libro define y describe una nueva disciplina, denominada "psicometrÃa computacional", desde la perspectiva de nuevas metodologÃas para el manejo de datos complejos provenientes del aprendizaje y la evaluación digitales. Los editores y los autores contribuyentes discuten cómo las nuevas tecnologÃas aumentan drásticamente las posibilidades para el diseño y administración de sistemas de aprendizaje y evaluación, y cómo al hacerlo aumentan significativamente la variedad, velocidad y volumen de los datos resultantes. Luego introducen métodos y estrategias para abordar los nuevos desafÃos, que van desde la identificación de evidencia y el modelado de datos hasta la evaluación y predicción del desempeño de los estudiantes en entornos complejos, como en tareas colaborativas, tareas basadas en juegos/simulación y tareas de evaluación y aprendizaje multimodal. . Por tanto, la psicometrÃa computacional se ha definido como una combinación de psicometrÃa basada en teorÃa y enfoques basados ​​en datos del aprendizaje automático, la inteligencia artificial y la ciencia de datos. Todo esto en conjunto proporciona un mejor marco metodológico para analizar datos complejos del aprendizaje y las evaluaciones digitales. El término "computacional" ha sido ampliamente adoptado en muchas otras áreas, como en la estadÃstica computacional, la lingüÃstica computacional y la economÃa computacional. En esos contextos, "computacional" tiene un significado similar al propuesto en este libro: una perspectiva basada en datos y centrada en algoritmos sobre fundamentos y enfoques teóricos establecidos previamente, ahora ampliados y, cuando sea necesario, reconcebidos. Esta interdisciplinariedad ya es un éxito comprobado en muchas disciplinas, desde la medicina personalizada que utiliza estadÃstica computacional hasta el aprendizaje personalizado que utiliza, bueno, psicometrÃa computacional. Esperamos que este volumen sea de interés no sólo dentro sino más allá de la comunidad psicométrica. En este volumen, expertos en psicometrÃa, aprendizaje automático, inteligencia artificial, ciencia de datos y procesamiento del lenguaje natural ilustran su trabajo, mostrando cómo la experiencia interdisciplinaria de cada investigador se combina en un marco metodológico coherente para abordar datos complejos a partir de complejas interfaces virtuales. En los capÃtulos que se centran en las metodologÃas, los autores utilizan ejemplos de datos reales para demostrar cómo implementar los nuevos métodos en la práctica. Los códigos de programación correspondientes en R y Python se han incluido como fragmentos en el libro y también están disponibles en forma completa en el repositorio de código de GitHub que acompaña al libro. Nota de contenido: 1. Introduction. Computational Psychometrics: Towards a Principled Integration of Data Science and Machine Learning Techniques into Psychometrics (Alina A. von Davier, Robert Mislevy and Jiangang Hao) -- Part I. Conceptualization. 2. Next generation learning and assessment: what, why and how (Robert Mislevy) -- 3. Computational psychometrics (Alina A. von Davier, Kristen DiCerbo and Josine Verhagen) -- 4. Virtual performance-based assessments (Jessica Andrews-Todd, Robert Mislevy, Michelle LaMar and Sebastiaan de Klerk) -- 5. Knowledge Inference Models Used in Adaptive Learning (Maria Ofelia Z. San Pedro and Ryan S. Baker) -- Part II. Methodology. 6. Concepts and models from Psychometrics (Robert Mislevy and Maria Bolsinova) -- 7. Bayesian Inference in Large-Scale Computational Psychometrics (Gunter Maris, Timo Bechger and Maarten Marsman) -- 8. Data science perspectives (Jiangang Hao and Robert Mislevy) -- 9. Supervised machine learning (Jiangang Hao) -- 10. Unsupervised machine learning (Pak Chunk Wong) -- 11. AI and deep learning for educational research (Yuchi Huang and Saad M. Khan) -- 12. Time series and stochastic processes (Peter Halpin, Lu Ou and Michelle LaMar) -- 13. Social network analysis (Mengxiao Zhu) -- 14. Text mining and automated scoring (Michael Flor and Jiangang Hao). Tipo de medio : Computadora Summary : This book defines and describes a new discipline, named "computational psychometrics," from the perspective of new methodologies for handling complex data from digital learning and assessment. The editors and the contributing authors discuss how new technology drastically increases the possibilities for the design and administration of learning and assessment systems, and how doing so significantly increases the variety, velocity, and volume of the resulting data. Then they introduce methods and strategies to address the new challenges, ranging from evidence identification and data modeling to the assessment and prediction of learners' performance in complex settings, as in collaborative tasks, game/simulation-based tasks, and multimodal learning and assessment tasks. Computational psychometrics has thus been defined as a blend of theory-based psychometrics and data-driven approaches from machine learning, artificial intelligence, and data science. All these together provide abetter methodological framework for analysing complex data from digital learning and assessments. The term "computational" has been widely adopted by many other areas, as with computational statistics, computational linguistics, and computational economics. In those contexts, "computational" has a meaning similar to the one proposed in this book: a data-driven and algorithm-focused perspective on foundations and theoretical approaches established previously, now extended and, when necessary, reconceived. This interdisciplinarity is already a proven success in many disciplines, from personalized medicine that uses computational statistics to personalized learning that uses, well, computational psychometrics. We expect that this volume will be of interest not just within but beyond the psychometric community. In this volume, experts in psychometrics, machine learning, artificial intelligence, data science and natural language processing illustrate their work, showing how the interdisciplinary expertise of each researcher blends into a coherent methodological framework to deal with complex data from complex virtual interfaces. In the chapters focusing on methodologies, the authors use real data examples to demonstrate how to implement the new methods in practice. The corresponding programming codes in R and Python have been included as snippets in the book and are also available in fuller form in the GitHub code repository that accompanies the book. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Computerized Adaptive and Multistage Testing with R : Using Packages catR and mstR Tipo de documento: documento electrónico Autores: Magis, David, ; Yan, Duanli, ; von Davier, Alina A., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XX, 171 p. 20 ilustraciones ISBN/ISSN/DL: 978-3-319-69218-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: EstadÃsticas Pruebas y mediciones educativas. PsicometrÃa Ciencias sociales PsicologÃa Educacional TeorÃa y métodos estadÃsticos. Evaluación y pruebas EstadÃstica en Ciencias Sociales Humanidades Derecho Educación Ciencias del Comportamiento PolÃticas Públicas EstadÃstica y Computación Clasificación: 519.5 Resumen: El objetivo de esta guÃa y manual es proporcionar una descripción práctica y breve de la teorÃa sobre pruebas adaptativas computarizadas (CAT) y pruebas multietapa (MST) e ilustrar las metodologÃas y aplicaciones que utilizan el lenguaje de código abierto R y varios ejemplos de datos. La implementación se basa en los paquetes R catR y mstR que ya han sido desarrollados o están siendo desarrollados por el primer autor (con el equipo) y que incluyen algunos de los algoritmos de investigación más recientes sobre el tema. El libro cubre muchos temas junto con el código R: los conceptos básicos de R, descripción teórica de CAT y MST, diseños CAT, metodologÃas de ensamblaje CAT, simulaciones CAT, paquete catR, aplicaciones CAT, diseños MST, metodologÃas MST basadas en IRT, árbol MetodologÃas MST basadas en MST, paquete mstR y aplicaciones MST. La CAT se ha utilizado en muchas evaluaciones a gran escala en las últimas décadas y la MST se ha vuelto muy popular en los últimos años. El lenguaje de código abierto R también se ha convertido en una de las herramientas más útiles para aplicaciones en casi todos los campos, incluidos los empresariales y la educación. Aunque es muy útil y popular, R es un lenguaje difÃcil de aprender, con una curva de aprendizaje pronunciada. Dada la necesidad obvia de CAT y MST, pero con la compleja implementación, es muy difÃcil para los usuarios simular o implementar CAT y MST. Hasta este manual, no existÃa ningún libro para que los usuarios diseñaran y utilizaran CAT y MST fácilmente y sin gastos; es decir, utilizando el software gratuito R. Todos los ejemplos e ilustraciones se generan utilizando scripts predefinidos en lenguaje R, disponibles para descarga gratuita desde el sitio web del libro. Proporciona descripciones exhaustivas de los procesos CAT y MST en un entorno R. GuÃa a los usuarios para simular e implementar CAT y MST usando R para sus aplicaciones. Resume los últimos desarrollos y desafÃos de los paquetes catR y mstR. Proporciona los paquetes R catR y mstR e ilustra a los usuarios cómo hacer CAT. y simulaciones e implementaciones de MST utilizando R David Magis, PhD, es investigador asociado del "Fonds de la Recherche Scientifique – FNRS" en el Departamento de Educación de la Universidad de Lieja, Bélgica. Su especialización son los métodos estadÃsticos en psicometrÃa, con especial interés en la teorÃa de la respuesta al Ãtem, el funcionamiento diferencial de los Ãtems y las pruebas adaptativas computarizadas. Sus intereses de investigación incluyen tanto el desarrollo teórico y metodológico como la implementación y difusión de código abierto en R. Es el principal desarrollador y mantenedor de los paquetes catR y mstR, entre otros. Duanli Yan, PhD, es Gerente de Análisis de Datos e Investigación Computacional para el grupo de Puntuación Automatizada en la división de Investigación y Desarrollo del Servicio de Pruebas Educativas (ETS). También es profesora adjunta en la Universidad de Rutgers. El Dr. Yan ha sido el coordinador estadÃstico de la prueba EXADEPâ„¢ y los programas institucionales TOEIC®, un cientÃfico de desarrollo para aplicaciones de investigación innovadoras y un psicometrista para varios programas operativos. El Dr. Yan recibió muchos premios,incluido el Premio Presidencial ETS 2011, el premio NCME Brenda Lyod 2013 y el Premio IACAT Early Career Award 2015. Es coeditora de Computerized Multistage Testing: Theory and Applications y coautora de Bayesian Networks in Educational Assessment. Alina A. von Davier, PhD, es directora senior de investigación del Centro de Investigación en PsicometrÃa Computacional del Educational Testing Service (ETS) y profesora adjunta en la Universidad de Fordham. En ETS dirige el Centro de Investigación en PsicometrÃa Computacional, donde es responsable de desarrollar un equipo de expertos y una agenda de investigación psicométrica en apoyo de las evaluaciones de próxima generación. La psicometrÃa computacional, que incluye técnicas de aprendizaje automático y minerÃa de datos, métodos de inferencia bayesianos, procesos estocásticos y modelos psicométricos, son el principal conjunto de herramientas empleadas en su trabajo actual. También trabaja con modelos psicométricos aplicados a las pruebas educativas: métodos de equiparación de puntuaciones de pruebas, modelos de teorÃa de respuesta al Ãtem y pruebas adaptativas. . Nota de contenido: Foreword -- Preface -- Ch 1 Overview of Adaptive Testing -- Ch 2 An Overview of Item Response Theory -- Part 1 Item-Level Computerized Adaptive Testing -- Ch 3 An Overview of Computerized Adaptive Testing -- Ch 4 Simulations of Computerized Adaptive Tests -- Ch 5 Examples of Simulations using catR -- Part 2 Computerized Multistage Testing -- Ch 6 An Overview of Computerized Multistage testing -- Ch 7 Simulations of Computerized Multistage Tests -- Ch 8 Examples of Simulations using mstR -- Index. Tipo de medio : Computadora Summary : The goal of this guide and manual is to provide a practical and brief overview of the theory on computerized adaptive testing (CAT) and multistage testing (MST) and to illustrate the methodologies and applications using R open source language and several data examples. Implementation relies on the R packages catR and mstR that have been already or are being developed by the first author (with the team) and that include some of the newest research algorithms on the topic. The book covers many topics along with the R-code: the basics of R, theoretical overview of CAT and MST, CAT designs, CAT assembly methodologies, CAT simulations, catR package, CAT applications, MST designs, IRT-based MST methodologies, tree-based MST methodologies, mstR package, and MST applications. CAT has been used in many large-scale assessments over recent decades, and MST has become very popular in recent years. R open source language also has become one of themost useful tools for applications in almost all fields, including business and education. Though very useful and popular, R is a difficult language to learn, with a steep learning curve. Given the obvious need for but with the complex implementation of CAT and MST, it is very difficult for users to simulate or implement CAT and MST. Until this manual, there has been no book for users to design and use CAT and MST easily and without expense; i.e., by using the free R software. All examples and illustrations are generated using predefined scripts in R language, available for free download from the book's website. Provides exhaustive descriptions of CAT and MST processes in an R environment Guides users to simulate and implement CAT and MST using R for their applications Summarizes the latest developments and challenges of packages catR and mstR Provides R packages catR and mstR and illustrates tousers how to do CAT and MST simulations and implementations using R David Magis, PhD, is Research Associate of the "Fonds de la Recherche Scientifique – FNRS" at the Department of Education, University of Liège, Belgium. His specialization is statistical methods in psychometrics, with special interest in item response theory, differential item functioning and computerized adaptive testing. His research interests include both theoretical and methodological development as well as open source implementation and dissemination in R. He is the main developer and maintainer of the packages catR and mstR, among others. Duanli Yan, PhD, is Manager of Data Analysis and Computational Research for Automated Scoring group in the Research and Development division at the Educational Testing Service (ETS). She is also an Adjunct Professor at Rutgers University. Dr. Yan has been the statistical coordinator for the EXADEP™ test,and the TOEIC® Institutional programs, a Development Scientist for innovative research applications, and a Psychometrician for several operational programs. Dr. Yan received many awards, including the 2011 ETS Presidential Award, the 2013 NCME Brenda Lyod award, and the 2015 IACAT Early Career Award. She is a co-editor for Computerized Multistage Testing: Theory and Applications and a co-author for Bayesian Networks in Educational Assessment. Alina A. von Davier, PhD, is Senior Research Director of the Computational Psychometrics Research Center at Educational Testing Service (ETS) and an Adjunct Professor at Fordham University. At ETS she leads the Computational Psychometrics Research Center, where she is responsible for developing a team of experts and a psychometric research agenda in support of next generation assessments. Computational psychometrics, which include machine learning and data mining techniques, Bayesian inferencemethods, stochastic processes and psychometric models are the main set of tools employed in her current work. She also works with psychometric models applied to educational testing: test score equating methods, item response theory models, and adaptive testing. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Computerized Adaptive and Multistage Testing with R : Using Packages catR and mstR [documento electrónico] / Magis, David, ; Yan, Duanli, ; von Davier, Alina A., . - 1 ed. . - [s.l.] : Springer, 2017 . - XX, 171 p. 20 ilustraciones.
ISBN : 978-3-319-69218-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: EstadÃsticas Pruebas y mediciones educativas. PsicometrÃa Ciencias sociales PsicologÃa Educacional TeorÃa y métodos estadÃsticos. Evaluación y pruebas EstadÃstica en Ciencias Sociales Humanidades Derecho Educación Ciencias del Comportamiento PolÃticas Públicas EstadÃstica y Computación Clasificación: 519.5 Resumen: El objetivo de esta guÃa y manual es proporcionar una descripción práctica y breve de la teorÃa sobre pruebas adaptativas computarizadas (CAT) y pruebas multietapa (MST) e ilustrar las metodologÃas y aplicaciones que utilizan el lenguaje de código abierto R y varios ejemplos de datos. La implementación se basa en los paquetes R catR y mstR que ya han sido desarrollados o están siendo desarrollados por el primer autor (con el equipo) y que incluyen algunos de los algoritmos de investigación más recientes sobre el tema. El libro cubre muchos temas junto con el código R: los conceptos básicos de R, descripción teórica de CAT y MST, diseños CAT, metodologÃas de ensamblaje CAT, simulaciones CAT, paquete catR, aplicaciones CAT, diseños MST, metodologÃas MST basadas en IRT, árbol MetodologÃas MST basadas en MST, paquete mstR y aplicaciones MST. La CAT se ha utilizado en muchas evaluaciones a gran escala en las últimas décadas y la MST se ha vuelto muy popular en los últimos años. El lenguaje de código abierto R también se ha convertido en una de las herramientas más útiles para aplicaciones en casi todos los campos, incluidos los empresariales y la educación. Aunque es muy útil y popular, R es un lenguaje difÃcil de aprender, con una curva de aprendizaje pronunciada. Dada la necesidad obvia de CAT y MST, pero con la compleja implementación, es muy difÃcil para los usuarios simular o implementar CAT y MST. Hasta este manual, no existÃa ningún libro para que los usuarios diseñaran y utilizaran CAT y MST fácilmente y sin gastos; es decir, utilizando el software gratuito R. Todos los ejemplos e ilustraciones se generan utilizando scripts predefinidos en lenguaje R, disponibles para descarga gratuita desde el sitio web del libro. Proporciona descripciones exhaustivas de los procesos CAT y MST en un entorno R. GuÃa a los usuarios para simular e implementar CAT y MST usando R para sus aplicaciones. Resume los últimos desarrollos y desafÃos de los paquetes catR y mstR. Proporciona los paquetes R catR y mstR e ilustra a los usuarios cómo hacer CAT. y simulaciones e implementaciones de MST utilizando R David Magis, PhD, es investigador asociado del "Fonds de la Recherche Scientifique – FNRS" en el Departamento de Educación de la Universidad de Lieja, Bélgica. Su especialización son los métodos estadÃsticos en psicometrÃa, con especial interés en la teorÃa de la respuesta al Ãtem, el funcionamiento diferencial de los Ãtems y las pruebas adaptativas computarizadas. Sus intereses de investigación incluyen tanto el desarrollo teórico y metodológico como la implementación y difusión de código abierto en R. Es el principal desarrollador y mantenedor de los paquetes catR y mstR, entre otros. Duanli Yan, PhD, es Gerente de Análisis de Datos e Investigación Computacional para el grupo de Puntuación Automatizada en la división de Investigación y Desarrollo del Servicio de Pruebas Educativas (ETS). También es profesora adjunta en la Universidad de Rutgers. El Dr. Yan ha sido el coordinador estadÃstico de la prueba EXADEPâ„¢ y los programas institucionales TOEIC®, un cientÃfico de desarrollo para aplicaciones de investigación innovadoras y un psicometrista para varios programas operativos. El Dr. Yan recibió muchos premios,incluido el Premio Presidencial ETS 2011, el premio NCME Brenda Lyod 2013 y el Premio IACAT Early Career Award 2015. Es coeditora de Computerized Multistage Testing: Theory and Applications y coautora de Bayesian Networks in Educational Assessment. Alina A. von Davier, PhD, es directora senior de investigación del Centro de Investigación en PsicometrÃa Computacional del Educational Testing Service (ETS) y profesora adjunta en la Universidad de Fordham. En ETS dirige el Centro de Investigación en PsicometrÃa Computacional, donde es responsable de desarrollar un equipo de expertos y una agenda de investigación psicométrica en apoyo de las evaluaciones de próxima generación. La psicometrÃa computacional, que incluye técnicas de aprendizaje automático y minerÃa de datos, métodos de inferencia bayesianos, procesos estocásticos y modelos psicométricos, son el principal conjunto de herramientas empleadas en su trabajo actual. También trabaja con modelos psicométricos aplicados a las pruebas educativas: métodos de equiparación de puntuaciones de pruebas, modelos de teorÃa de respuesta al Ãtem y pruebas adaptativas. . Nota de contenido: Foreword -- Preface -- Ch 1 Overview of Adaptive Testing -- Ch 2 An Overview of Item Response Theory -- Part 1 Item-Level Computerized Adaptive Testing -- Ch 3 An Overview of Computerized Adaptive Testing -- Ch 4 Simulations of Computerized Adaptive Tests -- Ch 5 Examples of Simulations using catR -- Part 2 Computerized Multistage Testing -- Ch 6 An Overview of Computerized Multistage testing -- Ch 7 Simulations of Computerized Multistage Tests -- Ch 8 Examples of Simulations using mstR -- Index. Tipo de medio : Computadora Summary : The goal of this guide and manual is to provide a practical and brief overview of the theory on computerized adaptive testing (CAT) and multistage testing (MST) and to illustrate the methodologies and applications using R open source language and several data examples. Implementation relies on the R packages catR and mstR that have been already or are being developed by the first author (with the team) and that include some of the newest research algorithms on the topic. The book covers many topics along with the R-code: the basics of R, theoretical overview of CAT and MST, CAT designs, CAT assembly methodologies, CAT simulations, catR package, CAT applications, MST designs, IRT-based MST methodologies, tree-based MST methodologies, mstR package, and MST applications. CAT has been used in many large-scale assessments over recent decades, and MST has become very popular in recent years. R open source language also has become one of themost useful tools for applications in almost all fields, including business and education. Though very useful and popular, R is a difficult language to learn, with a steep learning curve. Given the obvious need for but with the complex implementation of CAT and MST, it is very difficult for users to simulate or implement CAT and MST. Until this manual, there has been no book for users to design and use CAT and MST easily and without expense; i.e., by using the free R software. All examples and illustrations are generated using predefined scripts in R language, available for free download from the book's website. Provides exhaustive descriptions of CAT and MST processes in an R environment Guides users to simulate and implement CAT and MST using R for their applications Summarizes the latest developments and challenges of packages catR and mstR Provides R packages catR and mstR and illustrates tousers how to do CAT and MST simulations and implementations using R David Magis, PhD, is Research Associate of the "Fonds de la Recherche Scientifique – FNRS" at the Department of Education, University of Liège, Belgium. His specialization is statistical methods in psychometrics, with special interest in item response theory, differential item functioning and computerized adaptive testing. His research interests include both theoretical and methodological development as well as open source implementation and dissemination in R. He is the main developer and maintainer of the packages catR and mstR, among others. Duanli Yan, PhD, is Manager of Data Analysis and Computational Research for Automated Scoring group in the Research and Development division at the Educational Testing Service (ETS). She is also an Adjunct Professor at Rutgers University. Dr. Yan has been the statistical coordinator for the EXADEP™ test,and the TOEIC® Institutional programs, a Development Scientist for innovative research applications, and a Psychometrician for several operational programs. Dr. Yan received many awards, including the 2011 ETS Presidential Award, the 2013 NCME Brenda Lyod award, and the 2015 IACAT Early Career Award. She is a co-editor for Computerized Multistage Testing: Theory and Applications and a co-author for Bayesian Networks in Educational Assessment. Alina A. von Davier, PhD, is Senior Research Director of the Computational Psychometrics Research Center at Educational Testing Service (ETS) and an Adjunct Professor at Fordham University. At ETS she leads the Computational Psychometrics Research Center, where she is responsible for developing a team of experts and a psychometric research agenda in support of next generation assessments. Computational psychometrics, which include machine learning and data mining techniques, Bayesian inferencemethods, stochastic processes and psychometric models are the main set of tools employed in her current work. She also works with psychometric models applied to educational testing: test score equating methods, item response theory models, and adaptive testing. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Innovative Assessment of Collaboration Tipo de documento: documento electrónico Autores: von Davier, Alina A., ; Zhu, Mengxiao, ; Kyllonen, Patrick C., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XIX, 330 p. 72 ilustraciones, 42 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-33261-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: LingüÃstica informática Visión por computador PsicologÃa del Trabajo y Organizacional Public policy Derecho Evaluación y pruebas PsicologÃa Ciencias sociales Pruebas y mediciones educativas. PsicometrÃa Educación Clasificación: 371.26 Resumen: Este volumen editado proporciona una plataforma para que expertos de diversos campos presenten y discutan sus diferentes perspectivas sobre el tema del trabajo en equipo y la resolución colaborativa de problemas. Reúne a investigadores en equipos organizacionales, colaboración educativa, tutorÃa, simulación y juegos, asà como a aquellos involucrados en el modelado de procesos estadÃsticos y psicométricos. Este libro busca canalizar este conocimiento hacia avances en la medición y evaluación de habilidades cognitivas y no cognitivas de individuos y equipos. "La capacidad de comprender los estados, rasgos y hábitos de alumnos individuales, grupos colaborativos o equipos es un requisito previo necesario para guiar, adaptar y optimizar las experiencias de instrucción. El modelado y la evaluación de los alumnos que interactúan con compañeros, instructores humanos o computadoras. Los tutores basados ​​en tecnologÃa brindan una ventana a la efectividad de las herramientas y métodos de instrucción que se necesitan para mejorar continuamente sus experiencias de aprendizaje. Cualquier acción realizada por el tutor/maestro/instructor sin el conocimiento de quienes están a quienes enseña es un tiro en la oscuridad. dedicar sus vidas a ayudarnos a resolver los problemas difÃciles que encenderán la luz y nos permitirán adaptar fácilmente las experiencias de aprendizaje para cada persona". (Robert Sottilare, Ph.D., Laboratorio de Investigación del Ejército de EE. UU., CientÃfico de Entrenamiento Adaptativo). Nota de contenido: Prologue: Building the Foundation for Innovations in Assessment: Interdisciplinary Measurement of Collaboration and Teamwork -- 1. Introduction: Innovative Assessment of Collaboration -- PART 1: Framework and Methods -- 2. The Assessment of Team Performance: Observation and Needs -- 3. Assessing Collaboration Within and Between Teams: A Multiteam Systems Perspective -- 4. Innovation in Team Interaction: New Methods for Assessing Collaboration between Brains and Bodies Using a Multi-Level Framework -- 5. Assessing Collaborative Problem Solving Through Conversational Agents -- 6. Assessment of Discussion in Learning Contexts -- 7. Collaborative Problem Solving Measures in the Programme for International Students Assessment (PISA) -- 8. Assessing and Teaching 21st Century Skills: Collaborative Problem Solving as a Case Study -- 9. Initial Steps towards a Standardized Assessment for Collaborative Problem Solving (CPS): Practical Challenges and Strategies -- 10. Exploring Dual Eye Tracking as a Tool to Assess Collaboration -- 11. Multimodal Behavioral Analytics in Intelligent Learning and Assessment Systems -- 12. Measuring Collaboration in Cross-Cultural Contexts -- 13. Inclusive Design of Collaborative Problem-Solving Tasks -- PART 2: Modeling and Analysis -- 14. Understanding and Assessing Collaborative Processes through Relational Events -- 15. Modeling Collaboration Using Point Processes -- 16. Dynamic Bayesian Network Models for Peer Tutoring Interactions -- 17. Representing Self-Organization and Nonstationarities in Dyadic Interaction Processes Using Dynamic Systems Modeling Techniques -- 18. Modeling Collaboration with Social Network Models -- 19. Network Models for Teams with Overlapping Membership -- 20. Linking Team Neurodynamic Organizations with Observational Rating of Team Performance. Tipo de medio : Computadora Summary : This edited volume provides a platform for experts from various fields to introduce and discuss their different perspectives on the topic of teamwork and collaborative problem solving. It brings together researchers in organizational teaming, educational collaboration, tutoring, simulation, and gaming as well as those involved in statistical and psychometric process modelling. This book seeks to channel this expertise towards advances in the measurement and assessment of cognitive and non-cognitive skills of individuals and teams. " The ability to understand the states, traits, and habits of individual learners, collaborative groups, or team is a necessary prerequisite to guiding, adapting, and optimizing instructional experiences. The modeling and assessment of learners interacting with peers, human instructors, or computer-based tutors provides a window into the effectiveness of instructional tools andmethods that is needed to continuously improve their learning experiences. Any action taken by the tutor/teacher/instructor without knowledge of those being taught is a shot in the dark. We applaud those who dedicate their lives to helping us solve the hard problems that will turn on the light and allow us to easily tailor learning experiences for every person." (Robert Sottilare, Ph.D., US Army Research Laboratory, Adaptive Training Scientist). Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Innovative Assessment of Collaboration [documento electrónico] / von Davier, Alina A., ; Zhu, Mengxiao, ; Kyllonen, Patrick C., . - 1 ed. . - [s.l.] : Springer, 2017 . - XIX, 330 p. 72 ilustraciones, 42 ilustraciones en color.
ISBN : 978-3-319-33261-1
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: LingüÃstica informática Visión por computador PsicologÃa del Trabajo y Organizacional Public policy Derecho Evaluación y pruebas PsicologÃa Ciencias sociales Pruebas y mediciones educativas. PsicometrÃa Educación Clasificación: 371.26 Resumen: Este volumen editado proporciona una plataforma para que expertos de diversos campos presenten y discutan sus diferentes perspectivas sobre el tema del trabajo en equipo y la resolución colaborativa de problemas. Reúne a investigadores en equipos organizacionales, colaboración educativa, tutorÃa, simulación y juegos, asà como a aquellos involucrados en el modelado de procesos estadÃsticos y psicométricos. Este libro busca canalizar este conocimiento hacia avances en la medición y evaluación de habilidades cognitivas y no cognitivas de individuos y equipos. "La capacidad de comprender los estados, rasgos y hábitos de alumnos individuales, grupos colaborativos o equipos es un requisito previo necesario para guiar, adaptar y optimizar las experiencias de instrucción. El modelado y la evaluación de los alumnos que interactúan con compañeros, instructores humanos o computadoras. Los tutores basados ​​en tecnologÃa brindan una ventana a la efectividad de las herramientas y métodos de instrucción que se necesitan para mejorar continuamente sus experiencias de aprendizaje. Cualquier acción realizada por el tutor/maestro/instructor sin el conocimiento de quienes están a quienes enseña es un tiro en la oscuridad. dedicar sus vidas a ayudarnos a resolver los problemas difÃciles que encenderán la luz y nos permitirán adaptar fácilmente las experiencias de aprendizaje para cada persona". (Robert Sottilare, Ph.D., Laboratorio de Investigación del Ejército de EE. UU., CientÃfico de Entrenamiento Adaptativo). Nota de contenido: Prologue: Building the Foundation for Innovations in Assessment: Interdisciplinary Measurement of Collaboration and Teamwork -- 1. Introduction: Innovative Assessment of Collaboration -- PART 1: Framework and Methods -- 2. The Assessment of Team Performance: Observation and Needs -- 3. Assessing Collaboration Within and Between Teams: A Multiteam Systems Perspective -- 4. Innovation in Team Interaction: New Methods for Assessing Collaboration between Brains and Bodies Using a Multi-Level Framework -- 5. Assessing Collaborative Problem Solving Through Conversational Agents -- 6. Assessment of Discussion in Learning Contexts -- 7. Collaborative Problem Solving Measures in the Programme for International Students Assessment (PISA) -- 8. Assessing and Teaching 21st Century Skills: Collaborative Problem Solving as a Case Study -- 9. Initial Steps towards a Standardized Assessment for Collaborative Problem Solving (CPS): Practical Challenges and Strategies -- 10. Exploring Dual Eye Tracking as a Tool to Assess Collaboration -- 11. Multimodal Behavioral Analytics in Intelligent Learning and Assessment Systems -- 12. Measuring Collaboration in Cross-Cultural Contexts -- 13. Inclusive Design of Collaborative Problem-Solving Tasks -- PART 2: Modeling and Analysis -- 14. Understanding and Assessing Collaborative Processes through Relational Events -- 15. Modeling Collaboration Using Point Processes -- 16. Dynamic Bayesian Network Models for Peer Tutoring Interactions -- 17. Representing Self-Organization and Nonstationarities in Dyadic Interaction Processes Using Dynamic Systems Modeling Techniques -- 18. Modeling Collaboration with Social Network Models -- 19. Network Models for Teams with Overlapping Membership -- 20. Linking Team Neurodynamic Organizations with Observational Rating of Team Performance. Tipo de medio : Computadora Summary : This edited volume provides a platform for experts from various fields to introduce and discuss their different perspectives on the topic of teamwork and collaborative problem solving. It brings together researchers in organizational teaming, educational collaboration, tutoring, simulation, and gaming as well as those involved in statistical and psychometric process modelling. This book seeks to channel this expertise towards advances in the measurement and assessment of cognitive and non-cognitive skills of individuals and teams. " The ability to understand the states, traits, and habits of individual learners, collaborative groups, or team is a necessary prerequisite to guiding, adapting, and optimizing instructional experiences. The modeling and assessment of learners interacting with peers, human instructors, or computer-based tutors provides a window into the effectiveness of instructional tools andmethods that is needed to continuously improve their learning experiences. Any action taken by the tutor/teacher/instructor without knowledge of those being taught is a shot in the dark. We applaud those who dedicate their lives to helping us solve the hard problems that will turn on the light and allow us to easily tailor learning experiences for every person." (Robert Sottilare, Ph.D., US Army Research Laboratory, Adaptive Training Scientist). Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
