优化大规模的教育评估与"分裂与征服"战略:快速和有效的分布贝叶斯推理在IRT模型中的贝叶斯推理
Sainan Xu1, Jing Lu2, Jiwei Zhang3
1Key Laboratory of Applied Statistics of MOE, School of Mathematics and Statistics, Northeast Normal University, Changchun, Jilin, China.
本研究引入了对物品响应理论 (IRT) 的新型并行算法,以加快教育大数据处理. 瓦瑟斯坦后方近似方法提高了计算效率,同时保持了对大规模评估的准确参数估计.
科学领域:
- 教育测量和统计学
- 计算统计学 计算统计学
- 心理测量 心理测量 心理测量
背景情况:
- 大规模的教育测试产生大量的响应数据,需要高效的处理方法.
- 当前项目响应理论 (IRT) 估计技术虽然精确,但面临着大数据的计算挑战,影响速度.
- 在教育评估中,迫切需要可扩展和计算高效的方法.
研究的目的:
- 为处理大规模的教育评估数据引入一种新的"分裂与征服"并行算法.
- 为了提高项目响应理论 (IRT) 参数估计中的计算速度,而不会牺牲准确性.
- 为管理教育大数据提供可扩展和高效的替代方案.
主要方法:
- 基于瓦瑟斯坦后方近似的"分裂与征服"并行算法的开发.
- 从细分数据子集中并行处理参数.
- 合并子集参数使用Wasserstein后方近似进行最终估计.
- 通过非对称的最佳性进行理论验证,并通过真实世界的评估数据进行实际验证.
主要成果:
- 拟议的算法显著提高了大规模教育评估数据的计算速度.
- 保持精确的参数估计,与传统方法相比.
- 使用来自国际学生评估计划的真实数据证明了可扩展性和效率.
- 该算法为处理教育大数据的计算需求提供了一个实用的解决方案.
结论:
- 这种新的并行算法为处理教育大数据提供了一种变革性的方法.
- 它为传统的IRT估计方法提供了一个可扩展,高效和精确的替代方案.
- 这项研究通过解决计算瓶,重新定义了教育评估的实践.
更多相关视频
10:26Problem-Solving Before Instruction PS-I: A Protocol for Assessment and Intervention in Students with Different Abilities
Published on: September 11, 2021
09:00Author Spotlight: Validation of SICOLE-R for Assessing Cognitive and Reading Skills in Spanish-Speaking Children and Its Role in Personalized Education
Published on: August 16, 2024
相关概念视频
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Distributions to Estimate Population Parameter
Estimating Population Standard Deviation
Strategies for Assessing and Addressing Confounding
Confounding can be addressed at both the design phase of a study and through analytical methods after data...
Introduction to Test of Independence
The test statistic for a test of independence is similar to that of a goodness-of-fit test:
Randomized Experiments
Simple randomization
Simple...
