Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment / von Davier, Alina A. ; Mislevy, Robert J. ; Hao, Jiangang  

Público ISBD Ningún comentario para este título. Título : 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  Psicometría  Ciencias sociales  Estadística en Ciencias Sociales  Humanidades  Derecho  Ciencias del Comportamiento  Políticas Públicas Clasificación: 370 Educación (generalidades) Resumen: Este libro define y describe una nueva disciplina, denominada "psicometría computacional", desde la perspectiva de nuevas metodologías para el manejo de datos complejos provenientes del aprendizaje y la evaluación digitales. Los editores y los autores contribuyentes discuten cómo las nuevas tecnologías 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 desafíos, 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 psicometría computacional se ha definido como una combinación de psicometría basada en teoría 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 estadística computacional, la lingüística computacional y la economía 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 estadística computacional hasta el aprendizaje personalizado que utiliza, bueno, psicometría computacional. Esperamos que este volumen sea de interés no sólo dentro sino más allá de la comunidad psicométrica. En este volumen, expertos en psicometría, 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 capítulos que se centran en las metodologías, 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  Psicometría  Ciencias sociales  Estadística en Ciencias Sociales  Humanidades  Derecho  Ciencias del Comportamiento  Políticas Públicas Clasificación: 370 Educación (generalidades) Resumen: Este libro define y describe una nueva disciplina, denominada "psicometría computacional", desde la perspectiva de nuevas metodologías para el manejo de datos complejos provenientes del aprendizaje y la evaluación digitales. Los editores y los autores contribuyentes discuten cómo las nuevas tecnologías 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 desafíos, 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 psicometría computacional se ha definido como una combinación de psicometría basada en teoría 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 estadística computacional, la lingüística computacional y la economía 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 estadística computacional hasta el aprendizaje personalizado que utiliza, bueno, psicometría computacional. Esperamos que este volumen sea de interés no sólo dentro sino más allá de la comunidad psicométrica. En este volumen, expertos en psicometría, 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 capítulos que se centran en las metodologías, 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 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200