全球教育治理量化研究方法導論

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)簡介
一、全球教育治理簡介及發(fā)展
二、教育大數(shù)據(jù)簡介及發(fā)展
小節(jié)練習
第二節(jié) 國際組織科學數(shù)據(jù)比較分析
一、經(jīng)合組織(OECD)科學數(shù)據(jù)
二、聯(lián)合國教科文組織(LINESCO)科學數(shù)據(jù)
三、歐盟(EU)科學數(shù)據(jù)
四、國際科學聯(lián)盟(SI)科學數(shù)據(jù)
五、國際科學技術(shù)數(shù)據(jù)委員會(CODATA)科學數(shù)據(jù)
六、世界數(shù)據(jù)系統(tǒng)(WDS)科學數(shù)據(jù)
小節(jié)練習
第三節(jié) PISA與全球教育治理發(fā)展
一、PISA簡介及發(fā)展
二、PISA實施全球教育治理的路徑
三、PISA對全球教育治理的影響
小節(jié)練習
本單元小結(jié)與習題測試
第二單元 機器學習算法與教育數(shù)據(jù)挖掘
第一節(jié) 預(yù)處理之數(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
第二節(jié) 機器學習的分類
一、監(jiān)督學習
二、無監(jiān)督學習
三、半監(jiān)督學習
小節(jié)練習
第三節(jié) 模型的評估與性能度量
一、欠擬合與過擬合(Over-fitting & Under-fitting)
二、模型的評估和性能度量
三、正則化
小節(jié)練習
第四節(jié) 常見機器學習方法概覽
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
第五節(jié) 支持向量機(Support Vector Machine)
一、發(fā)展歷程
二、基本原理
三、支持向量機遞歸特征消除
小節(jié)練習
第六節(jié) 機器學習的Python程序語言實現(xiàn)
一、Python程序語言概述
二、常用的機器學習算法包
三、常用的機器學習庫
小節(jié)練習
第七節(jié) 機器學習與全球教育治理
一、機器學習在全球教育治理中的運用
二、機器學習在全球教育治理中的優(yōu)勢
小節(jié)練習
本單元小結(jié)與習題測試
第三單元 EBDCES：一種基于教育大數(shù)據(jù)的學生核心素養(yǎng)評估軟件
第一節(jié) EBDCES軟件簡介
小節(jié)練習
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
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)型變量的標準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
本單元小結(jié)與習題測試
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)方程模型簡介
二、結(jié)構(gòu)方程模型建模步驟
小節(jié)練習
第二節(jié) 中介分析
一、中介分析方法簡介
二、檢驗中介的方法
三、效應(yīng)量
四、復雜中介模型
小節(jié)練習
第三節(jié) 在結(jié)構(gòu)方程模型中實現(xiàn)中介分析
小節(jié)練習
第四節(jié) 在R語言中使用結(jié)構(gòu)方程模型實現(xiàn)中介分析
一、lavaan的安裝
二、lavaan的模型語法
三、估計方法、標準誤差和缺失值的處理
四、實例一：驗證性因子分析
五、實例二：結(jié)構(gòu)方程模型
六、實例三：結(jié)構(gòu)方程模型實現(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、實例四：雙層驗證性因子分析
十二、實例五：雙層結(jié)構(gòu)方程模型
十三、實例六：雙層結(jié)構(gòu)方程模型實現(xiàn)多層中介分析
本單元小結(jié)與習題測試
第五單元 多層線性模型分析方法
第一節(jié) 數(shù)據(jù)預(yù)處理之標準化
一、連續(xù)變量進行標準化(Normalization)處理
二、數(shù)據(jù)異常值檢測(Outlier)
第二節(jié) 多層線性模型方法簡介
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
第三節(jié) 多層線性模型在HLM軟件運行的操作步驟
一、明確變量概況
二、數(shù)據(jù)導入HLM軟件
三、HLM模型搭建步驟及結(jié)果解讀
小節(jié)練習
第四節(jié) 多層線性模型參數(shù)估計及模型檢驗
一、最大似然估計法
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
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)勢特點
二、多層線性模型在全球教育治理中的應(yīng)用
小節(jié)練習
本單元小節(jié)與習題測試
第六單元 全球教育治理量化研究的經(jīng)驗啟示
第一節(jié) 數(shù)據(jù)方法總結(jié)
一、人工智能機器學習算法與教育數(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
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、加強國際交流，因地制宜借鑒先進研究經(jīng)驗
二