ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Bayesian Networks in Educational Assessment

دانلود کتاب شبکه های بیزی در ارزیابی آموزشی

Bayesian Networks in Educational Assessment

مشخصات کتاب

Bayesian Networks in Educational Assessment

ویرایش: 1 
نویسندگان: , , , ,   
سری: Statistics for Social and Behavioral Sciences 
ISBN (شابک) : 9781493921249, 9781493921256 
ناشر: Springer-Verlag New York 
سال نشر: 2015 
تعداد صفحات: 682 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت 

قیمت کتاب (تومان) : 38,000



کلمات کلیدی مربوط به کتاب شبکه های بیزی در ارزیابی آموزشی: آمار برای علوم اجتماعی، علوم رفتاری، آموزش، سیاست عمومی، و قانون، آمار برای مهندسی، فیزیک، علوم کامپیوتر، شیمی و علوم زمین، هوش مصنوعی (شامل رباتیک)



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Bayesian Networks in Educational Assessment به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب شبکه های بیزی در ارزیابی آموزشی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب شبکه های بیزی در ارزیابی آموزشی



شبکه‌های استنتاج بیزی، ترکیبی از آمار و سیستم‌های خبره، در شرایط عدم قطعیت در پزشکی، تجارت و علوم اجتماعی استدلال پیشرفته‌ای دارند. این جلد ابتکاری اولین درمان جامعی است که به بررسی این موضوع می‌پردازد که چگونه می‌توان آنها را برای طراحی و تجزیه و تحلیل ارزیابی‌های آموزشی نوآورانه به کار برد.

بخش اول پایه‌های شبکه‌های بیز را در ارزیابی، آمار و نظریه گراف توسعه می‌دهد و از طریق واقعی کار می‌کند. الگوریتم به روز رسانی زمان بخش دوم به فرم‌های پارامتریک برای استفاده با ارزیابی، تکنیک‌های بررسی مدل، و تخمین با الگوریتم EM و زنجیره مارکوف مونت کارلو (MCMC) می‌پردازد. یکی از ویژگی های منحصر به فرد، زمینه سازی حجم در چارچوب طراحی مبتنی بر شواهد (ECD) برای طراحی ارزیابی است. این رویکرد «طراحی رو به جلو» طراحان را قادر می‌سازد تا از ماژولار بودن شبکه‌های بیز و توانایی مدل‌سازی روابط شواهد پیچیده که از عملکرد در ارزیابی‌های تعاملی و غنی از فناوری مانند شبیه‌سازی‌ها ناشی می‌شود، استفاده کنند. بخش سوم ECD را تشریح می کند، شبکه های بیز را به عنوان یک جزء جدایی ناپذیر از یک فرآیند طراحی اصولی قرار می دهد، و ایده ها را با نگاهی عمیق به پروژه BioMass نشان می دهد: ارزیابی نمایشی تعاملی، مبتنی بر استانداردها و ارائه شده تحت وب از تحقیقات علمی در ژنتیک. .

این کتاب هم منبعی برای متخصصان علاقه مند به ارزیابی و هم برای دانش آموزان پیشرفته است. شرح واضح آن، مثال‌های عددی کار شده، و نمایش‌هایی از کاربردهای واقعی و آموزشی، تصاویر ارزشمندی از نحوه استفاده از شبکه‌های بیز در ارزیابی آموزشی ارائه می‌دهد. تمرین‌ها هر فصل را دنبال می‌کنند، و سایت همراه آنلاین یک واژه‌نامه، مجموعه داده‌ها و تنظیمات مشکل، و پیوندهایی به منابع محاسباتی ارائه می‌دهد.


توضیحاتی درمورد کتاب به خارجی

Bayesian inference networks, a synthesis of statistics and expert systems, have advanced reasoning under uncertainty in medicine, business, and social sciences. This innovative volume is the first comprehensive treatment exploring how they can be applied to design and analyze innovative educational assessments.

Part I develops Bayes nets’ foundations in assessment, statistics, and graph theory, and works through the real-time updating algorithm. Part II addresses parametric forms for use with assessment, model-checking techniques, and estimation with the EM algorithm and Markov chain Monte Carlo (MCMC). A unique feature is the volume’s grounding in Evidence-Centered Design (ECD) framework for assessment design. This “design forward” approach enables designers to take full advantage of Bayes nets’ modularity and ability to model complex evidentiary relationships that arise from performance in interactive, technology-rich assessments such as simulations. Part III describes ECD, situates Bayes nets as an integral component of a principled design process, and illustrates the ideas with an in-depth look at the BioMass project: An interactive, standards-based, web-delivered demonstration assessment of science inquiry in genetics.

This book is both a resource for professionals interested in assessment and advanced students. Its clear exposition, worked-through numerical examples, and demonstrations from real and didactic applications provide invaluable illustrations of how to use Bayes nets in educational assessment. Exercises follow each chapter, and the online companion site provides a glossary, data sets and problem setups, and links to computational resources.



فهرست مطالب

Cover
Statistics for Social and Behavioral Sciences
Bayesian Networks in Educational Assessment
Copyright
     Springer Science+Business Media New York 2015
     ISBN 978-1-4939-2124-9
     ISBN 978-1-4939-2125-6 (eBook)
     DOI 10.1007/978-1-4939-2125-6
     Library of Congress Control Number: 2014958291
Dedication
Acknowledgements
Using This Book
Notation
     Random Variables
     Sets
     Probability Distributions and Related Functions
     Transcendental Functions
     Usual Use of Letters for Indices
Contents
List of Figures
List of Tables


Part I Building Blocks for Bayesian Networks
     
     1 Introduction
          1.1 An Example Bayes Network
          1.2 Cognitively Diagnostic Assessment
          1.3 Cognitive and Psychometric Science
          1.4 Ten Reasons for Considering Bayesian Networks
          1.5 What Is in This Book

     2 An Introduction to Evidence-Centered Design
          2.1 Overview
          2.2 Assessment as Evidentiary Argument
          2.3 The Process of Design
          2.4 Basic ECD Structures
               2.4.1 The Conceptual Assessment Framework
               2.4.2 Four-Process Architecture for Assessment Delivery
               2.4.3 Pretesting and Calibration
          2.5 Conclusion

     3 Bayesian Probability and Statistics: a Review
          3.1 Probability: Objective and Subjective
               3.1.1 Objective Notions of Probability
               3.1.2 Subjective Notions of Probability
               3.1.3 Subjective–Objective Probability
          3.2 Conditional Probability
          3.3 Independence and Conditional Independence
               3.3.1 Conditional Independence
               3.3.2 Common Variable Dependence
               3.3.3 Competing Explanations
          3.4 Random Variables
               3.4.1 The Probability Mass and Density Functions
               3.4.2 Expectation and Variance
          3.5 Bayesian Inference
               3.5.1 Re-expressing Bayes Theorem
               3.5.2 Bayesian Paradigm
               3.5.3 Conjugacy
               3.5.4 Sources for Priors
               3.5.5 Noninformative Priors
               3.5.6 Evidence-Centered Design and the Bayesian Paradigm

     4 Basic Graph Theory and Graphical Models
          4.1 Basic Graph Theory
               4.1.1 Simple Undirected Graphs
               4.1.2 Directed Graphs
               4.1.3 Paths and Cycles
          4.2 Factorization of the Joint Distribution
               4.2.1 Directed Graph Representation
               4.2.2 Factorization Hypergraphs
               4.2.3 Undirected Graphical Representation
          4.3 Separation and Conditional Independence
               4.3.1 Separation and D-Separation
               4.3.2 Reading Dependence and Independence from Graphs
               4.3.3 Gibbs–Markov Equivalence Theorem
          4.4 Edge Directions and Causality
          4.5 Other Representations
               4.5.1 Influence Diagrams
               4.5.2 Structural Equation Models
               4.5.3 Other Graphical Models

     5 Efficient Calculations
          5.1 Belief Updating with Two Variables
          5.2 More Efficient Procedures for Chains and Trees
               5.2.1 Propagation in Chains
               5.2.2 Propagation in Trees
               5.2.3 Virtual Evidence
          5.3 Belief Updating in Multiply Connected Graphs
               5.3.1 Updating in the Presence of Loops
               5.3.2 Constructing a Junction Tree
               5.3.3 Propagating Evidence Through a Junction Tree
          5.4 Application to Assessment
               5.4.1 Proficiency and Evidence Model Bayes Net Fragments
               5.4.2 Junction Trees for Fragments
               5.4.3 Calculation with Fragments
          5.5 The Structure of a Test
               5.5.1 The Q-Matrix for Assessments Using Only Discrete Items
               5.5.2 The Q-Matrix for a Test Using Multi-observable Tasks
          5.6 Alternative Computing Algorithms
               5.6.1  Variants of the Propagation Algorithm
               5.6.2 Dealing with Unfavorable Topologies

     6 Some Example Networks
          6.1 A Discrete IRT Model
               6.1.1 General Features of the IRT Bayes Net
               6.1.2 Inferences in the IRT Bayes Net
          6.2 The ``Context\'\' Effect
          6.3 Compensatory, Conjunctive, and Disjunctive Models
          6.4 A Binary-Skills Measurement Model
               6.4.1 The Domain of Mixed Number Subtraction
               6.4.2 A Bayes Net Model for Mixed-Number Subtraction
               6.4.3 Inferences from the Mixed-Number Subtraction Bayes Net
          6.5 Discussion

     7 Explanation and Test Construction
          7.1 Simple Explanation Techniques
               7.1.1 Node Coloring
               7.1.2 Most Likely Scenario
          7.2 Weight of Evidence
               7.2.1 Evidence Balance Sheet
               7.2.2 Evidence Flow Through the Graph
          7.3 Activity Selection
               7.3.1 Value of Information
               7.3.2 Expected Weight of Evidence
               7.3.3 Mutual Information
          7.4 Test Construction
               7.4.1 Computer Adaptive Testing
               7.4.2 Critiquing
               7.4.3 Fixed-Form Tests
          7.5 Reliability and Assessment Information
               7.5.1 Accuracy Matrix
               7.5.2 Consistency Matrix
               7.5.3 Expected Value Matrix
               7.5.4 Weight of Evidence as Information


Part II Learning and Revising Models from Data

     8 Parameters for Bayesian Network Models
          8.1 Parameterizing a Graphical Model
          8.2 Hyper-Markov Laws
          8.3 The Conditional Multinomial—Hyper-Dirichlet Family
               8.3.1 Beta-Binomial Family
               8.3.2 Dirichlet-Multinomial Family
               8.3.3 The Hyper-Dirichlet Law
          8.4 Noisy-OR and Noisy-AND Models
               8.4.1 Separable Influence
          8.5 DiBello\'s Effective Theta Distributions
               8.5.1 Mapping Parent Skills to  Space
               8.5.2 Combining Input Skills
               8.5.3 Samejima\'s Graded Response Model
               8.5.4 Normal Link Function
          8.6 Eliciting Parameters and Laws
               8.6.1 Eliciting Conditional Multinomial and Noisy-AND
               8.6.2 Priors for DiBello\'s Effective Theta Distributions
               8.6.3 Linguistic Priors

     9 Learning in Models with Fixed Structure
          9.1 Data, Models, and Plate Notation
               9.1.1 Plate Notation
               9.1.2  A Bayesian Framework for a Generic Measurement Model
               9.1.3 Extension to Covariates
          9.2 Techniques for Learning with Fixed Structure
               9.2.1 Bayesian Inference for the General Measurement Model
               9.2.2 Complete Data Tables
          9.3 Latent Variables as Missing Data
          9.4 The EM Algorithm
          9.5 Markov Chain Monte Carlo Estimation
               9.5.1 Gibbs Sampling
               9.5.2 Properties of MCMC Estimation
               9.5.3 The Metropolis–Hastings Algorithm
          9.6 MCMC Estimation in Bayes Nets in Assessment
               9.6.1 Initial Calibration
               9.6.2 Online Calibration
          9.7 Caution: MCMC and EM are Dangerous!

     10 Critiquing and Learning Model Structure
          10.1 Fit Indices Based on Prediction Accuracy
          10.2 Posterior Predictive Checks
          10.3 Graphical Methods
          10.4 Differential Task Functioning
          10.5 Model Comparison
               10.5.1 The DIC Criterion
               10.5.2 Prediction Criteria
          10.6 Model Selection
               10.6.1 Simple Search Strategies
               10.6.2 Stochastic Search
               10.6.3 Multiple Models
               10.6.4 Priors Over Models
          10.7 Equivalent Models and Causality
               10.7.1 Edge Orientation
               10.7.2 Unobserved Variables
               10.7.3 Why Unsupervised Learning cannot Prove Causality
          10.8 The ``True\'\' Model

     11 An Illustrative Example
          11.1 Representing the Cognitive Model
               11.1.1 Representing the Cognitive Model as a Bayesian Network
               11.1.2 Representing the Cognitive Model as a Bayesian Network
               11.1.3 Higher-Level Structure of the Proficiency Model; i.e., p(bold0mu mumu [|bold0mu mumu [) and p(bold0mu mumu [)
               11.1.4 High Level Structure of the Evidence Models; i.e., p()
               11.1.5 Putting the Pieces Together
          11.2 Calibrating the Model with Field Data
               11.2.1 MCMC Estimation
               11.2.2 Scoring
               11.2.3 Online Calibration
          11.3 Model Checking
               11.3.1 Observable Characteristic Plots
               11.3.2 Posterior Predictive Checks
          11.4 Closing Comments


Part III Evidence-Centered Assessment Design

     12 The Conceptual Assessment Framework
          12.1 Phases of the Design Process and Evidentiary Arguments
               12.1.1 Domain Analysis and Domain Modeling
               12.1.2 Arguments and Claims
          12.2 The Student Proficiency Model
               12.2.1 Proficiency Variables
               12.2.2 Relationships Among Proficiency Variables
               12.2.3 Reporting Rules
          12.3 Task Models
          12.4 Evidence Models
               12.4.1 Rules of Evidence (for Evidence Identification)
               12.4.2 Statistical Models of Evidence (for Evidence Accumulation)
          12.5 The Assembly Model
          12.6 The Presentation Model
          12.7 The Delivery Model
          12.8 Putting It All Together

     13 The Evidence Accumulation Process
          13.1 The Four-Process Architecture
               13.1.1 A Simple Example of the Four-Process Framework
          13.2 Producing an Assessment
               13.2.1 Tasks and Task Model Variables
               13.2.2 Evidence Rules
               13.2.3 Evidence Models, Links, and Calibration
          13.3 Scoring
               13.3.1 Basic Scoring Protocols
               13.3.2 Adaptive Testing
               13.3.3 Technical Considerations
               13.3.4 Score Reports

     14 Biomass: An Assessment of Science Standards
          14.1 Design Goals
          14.2 Designing Biomass
               14.2.1 Reconceiving Standards
               14.2.2 Defining Claims
               14.2.3 Defining Evidence
          14.3 The Biomass Conceptual Assessment Framework
               14.3.1 The Proficiency Model
               14.3.2 The Assembly Model
               14.3.3 Task Models
               14.3.4 Evidence Models
          14.4 The Assessment Delivery Processes
               14.4.1 Biomass Architecture
               14.4.2 The Presentation Process
               14.4.3 Evidence Identification
               14.4.4 Evidence Accumulation
               14.4.5 Activity Selection
               14.4.6 The Task/Evidence Composite Library
               14.4.7 Controlling the Flow of Information Among the Processes
          14.5 Conclusion

     15 The Biomass Measurement Model
          15.1 Specifying Prior Distributions
               15.1.1 Specification of Proficiency Variable Priors
               15.1.2 Specification of Evidence Model Priors
               15.1.3 Summary Statistics
          15.2 Pilot Testing
               15.2.1 A Convenience Sample
               15.2.2 Item and other Exploratory Analyses
          15.3 Updating Based on Pilot Test Data
               15.3.1 Posterior Distributions
               15.3.2 Some Observations on Model Fit
               15.3.3 A Quick Validity Check
          15.4 Conclusion

     16 The Future of Bayesian Networks in Educational Assessment
          16.1 Applications of Bayesian Networks
          16.2 Extensions to the Basic Bayesian Network Model
               16.2.1 Object-Oriented Bayes Nets
               16.2.2 Dynamic Bayesian Networks
               16.2.3 Assessment-Design Support
          16.3 Connections with Instruction
               16.3.1 Ubiquitous Assessment
          16.4 Evidence-Centered Assessment Design and Validity
          16.5 What We Still Do Not Know


A Bayesian Network Resources
     A.1 Software
          A.1.1 Bayesian Network Manipulation
          A.1.2 Manual Construction of Bayesian Networks
          A.1.3 Markov Chain Monte Carlo
     A.2 Sample Bayesian Networks

References

Author Index

Subject Index




نظرات کاربران