通过使用通用线性混合模型检查个人学习模式
Sean Commins1, Antoine Coutrot2, Michael Hornberger3
1Department of Psychology, Maynooth University, Maynooth, Co Kildare, Ireland. Sean.Commins@mu.ie.
个人学习模式可以使用通用线性混合模型 (GLMMs) 识别和集群. 这种方法揭示了多样化的学习轨迹,帮助教育工作者和医疗专业人员识别需要支持的人.
科学领域:
- 认知科学 认知科学
- 心理学 心理学 心理学
- 数据科学数据科学数据科学
背景情况:
- 传统的群体层面分析往往忽视了学习中的个人差异.
- 了解个体学习轨迹对于个性化干预至关重要.
- 现有的分析方法可能无法充分捕捉学习模式的异质性.
研究的目的:
- 证明通用线性混合模型 (GLMMs) 对分析个体学习模式的实用性.
- 在不同的实验条件下识别,集群和比较不同的学习轨迹.
- 探索这种分析方法在教育和医疗环境中的应用.
主要方法:
- 利用了来自四个不同的实验的数据,包括配对的关联学习和空间导航任务 (NavWell,Sea Hero Quest).
- 采用了通用线性混合模型 (GLMM) 和扩展来分析个别性能数据.
- 根据预测的随机效应生成圆形并执行集群分析,以可视化和组学习模式.
主要成果:
- 在面部名称关联任务中确定了各种各样的学习模式,其中一些人快速学习,而另一些人表现持续不佳.
- 在空间导航任务中揭示了两个不同的学习集群:快速学习者和缓慢,渐进的学习者.
- 观察到空间学习任务中的表现通常与年龄类别相关,尽管有显著的例外.
结论:
- GLMMs提供了一个强大的框架,可以从复杂的数据集中剖析个人学习动态.
- 识别的学习集群和模式可以为有针对性的教育和医疗支持策略提供信息.
- 这种分析方法有助于对影响各种学习体验的因素进行更深入的调查.
更多相关视频
06:52Using Cholesky Decomposition to Explore Individual Differences in Longitudinal Relations between Reading Skills
Published on: September 17, 2019
06:48Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment
Published on: June 25, 2019
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Longitudinal Studies
Analysis of Population Pharmacokinetic Data
Behavioral Genetics and Its Designs
The primary methodologies used in behavior genetics include family studies, twin studies, and adoption studies, each providing unique...
Comparing the Survival Analysis of Two or More Groups
