全球教育治理量化研究方法導(dǎo)論

第一單元 全球教育治理與教育大數(shù)據(jù)
第一節(jié) 全球教育治理與教育大數(shù)據(jù)簡(jiǎn)介
一、全球教育治理簡(jiǎn)介及發(fā)展
二、教育大數(shù)據(jù)簡(jiǎn)介及發(fā)展
小節(jié)練習(xí)
第二節(jié) 國(guó)際組織科學(xué)數(shù)據(jù)比較分析
一、經(jīng)合組織(OECD)科學(xué)數(shù)據(jù)
二、聯(lián)合國(guó)教科文組織(LINESCO)科學(xué)數(shù)據(jù)
三、歐盟(EU)科學(xué)數(shù)據(jù)
四、國(guó)際科學(xué)聯(lián)盟(SI)科學(xué)數(shù)據(jù)
五、國(guó)際科學(xué)技術(shù)數(shù)據(jù)委員會(huì)(CODATA)科學(xué)數(shù)據(jù)
六、世界數(shù)據(jù)系統(tǒng)(WDS)科學(xué)數(shù)據(jù)
小節(jié)練習(xí)
第三節(jié) PISA與全球教育治理發(fā)展
一、PISA簡(jiǎn)介及發(fā)展
二、PISA實(shí)施全球教育治理的路徑
三、PISA對(duì)全球教育治理的影響
小節(jié)練習(xí)
本單元小結(jié)與習(xí)題測(cè)試
第二單元 機(jī)器學(xué)習(xí)算法與教育數(shù)據(jù)挖掘
第一節(jié) 預(yù)處理之?dāng)?shù)據(jù)集成與缺失值處理
一、數(shù)據(jù)集成(Data Integration)
二、缺失值處理(Missing Value Handling)
小節(jié)練習(xí)
第二節(jié) 機(jī)器學(xué)習(xí)的分類
一、監(jiān)督學(xué)習(xí)
二、無監(jiān)督學(xué)習(xí)
三、半監(jiān)督學(xué)習(xí)
小節(jié)練習(xí)
第三節(jié) 模型的評(píng)估與性能度量
一、欠擬合與過擬合(Over-fitting & Under-fitting)
二、模型的評(píng)估和性能度量
三、正則化
小節(jié)練習(xí)
第四節(jié) 常見機(jī)器學(xué)習(xí)方法概覽
一、決策樹(Decision Tree)
二、分類與回歸樹(Classification and Regression Tree)
三、提升樹(Boosting Tree)
四、梯度提升決策樹(Gradient Boosting Decision Tree)
五、K均值聚類算法(K-means)
小節(jié)練習(xí)
第五節(jié) 支持向量機(jī)(Support Vector Machine)
一、發(fā)展歷程
二、基本原理
三、支持向量機(jī)遞歸特征消除
小節(jié)練習(xí)
第六節(jié) 機(jī)器學(xué)習(xí)的Python程序語言實(shí)現(xiàn)
一、Python程序語言概述
二、常用的機(jī)器學(xué)習(xí)算法包
三、常用的機(jī)器學(xué)習(xí)庫(kù)
小節(jié)練習(xí)
第七節(jié) 機(jī)器學(xué)習(xí)與全球教育治理
一、機(jī)器學(xué)習(xí)在全球教育治理中的運(yùn)用
二、機(jī)器學(xué)習(xí)在全球教育治理中的優(yōu)勢(shì)
小節(jié)練習(xí)
本單元小結(jié)與習(xí)題測(cè)試
第三單元 EBDCES：一種基于教育大數(shù)據(jù)的學(xué)生核心素養(yǎng)評(píng)估軟件
第一節(jié) EBDCES軟件簡(jiǎn)介
小節(jié)練習(xí)
第二節(jié) EBDCES操作步驟
一、軟件安裝與設(shè)置
二、數(shù)據(jù)提取
三、數(shù)據(jù)預(yù)處理
四、SVM、SVM-RFE和SVM-RFE-CV的使用
小節(jié)練習(xí)
第三節(jié) EBDCES代碼源文件
一、數(shù)據(jù)提取
二、刪除樣本缺失值
三、刪除變量缺失值
四、連續(xù)型變量的標(biāo)準(zhǔn)化和離散型變量的啞變量處理
五、KNN填充
六、中位數(shù)填充
七、SVM
八、SVM-RFE
九、SVM-RFV-CV
小節(jié)練習(xí)
本單元小結(jié)與習(xí)題測(cè)試
第四單元 結(jié)構(gòu)方程模型和多層中介分析方法
第一節(jié) 結(jié)構(gòu)方程模型
一、結(jié)構(gòu)方程模型簡(jiǎn)介
二、結(jié)構(gòu)方程模型建模步驟
小節(jié)練習(xí)
第二節(jié) 中介分析
一、中介分析方法簡(jiǎn)介
二、檢驗(yàn)中介的方法
三、效應(yīng)量
四、復(fù)雜中介模型
小節(jié)練習(xí)
第三節(jié) 在結(jié)構(gòu)方程模型中實(shí)現(xiàn)中介分析
小節(jié)練習(xí)
第四節(jié) 在R語言中使用結(jié)構(gòu)方程模型實(shí)現(xiàn)中介分析
一、lavaan的安裝
二、lavaan的模型語法
三、估計(jì)方法、標(biāo)準(zhǔn)誤差和缺失值的處理
四、實(shí)例一：驗(yàn)證性因子分析
五、實(shí)例二：結(jié)構(gòu)方程模型
六、實(shí)例三：結(jié)構(gòu)方程模型實(shí)現(xiàn)單層中介分析
七、多組問題
八、分類變量問題
九、多層線性回歸
十、多層結(jié)構(gòu)方程模型
十一、實(shí)例四：雙層驗(yàn)證性因子分析
十二、實(shí)例五：雙層結(jié)構(gòu)方程模型
十三、實(shí)例六：雙層結(jié)構(gòu)方程模型實(shí)現(xiàn)多層中介分析
本單元小結(jié)與習(xí)題測(cè)試
第五單元 多層線性模型分析方法
第一節(jié) 數(shù)據(jù)預(yù)處理之標(biāo)準(zhǔn)化
一、連續(xù)變量進(jìn)行標(biāo)準(zhǔn)化(Normalization)處理
二、數(shù)據(jù)異常值檢測(cè)(Outlier)
第二節(jié) 多層線性模型方法簡(jiǎn)介
一、多層嵌套數(shù)據(jù)的普遍性
二、多層線性模型的發(fā)展歷程
三、多層線性模型的基本原理
小節(jié)練習(xí)
第三節(jié) 多層線性模型在HLM軟件運(yùn)行的操作步驟
一、明確變量概況
二、數(shù)據(jù)導(dǎo)入HLM軟件
三、HLM模型搭建步驟及結(jié)果解讀
小節(jié)練習(xí)
第四節(jié) 多層線性模型參數(shù)估計(jì)及模型檢驗(yàn)
一、最大似然估計(jì)法
二、廣義最小二乘法
三、貝葉斯分析方法
四、自舉法
小節(jié)練習(xí)
第五節(jié) 多層線性模型與全球教育治理
一、多層線性模型優(yōu)勢(shì)特點(diǎn)
二、多層線性模型在全球教育治理中的應(yīng)用
小節(jié)練習(xí)
本單元小節(jié)與習(xí)題測(cè)試
第六單元 全球教育治理量化研究的經(jīng)驗(yàn)啟示
第一節(jié) 數(shù)據(jù)方法總結(jié)
一、人工智能機(jī)器學(xué)習(xí)算法與教育數(shù)據(jù)挖掘
二、結(jié)構(gòu)方程模型、多層中介分析方法及多層線性模型
小節(jié)練習(xí)
第二節(jié) 利用有效研究方法及工具深人全球教育治理研究
一、加強(qiáng)國(guó)際交流，因地制宜借鑒先進(jìn)研究經(jīng)驗(yàn)
二