全球教育治理量化研究方法导论

第一单元 全球教育治理与教育大数据
第一节 全球教育治理与教育大数据简介
一、全球教育治理简介及发展
二、教育大数据简介及发展
小节练习
第二节 国际组织科学数据比较分析
一、经合组织(OECD)科学数据
二、联合国教科文组织(LINESCO)科学数据
三、欧盟(EU)科学数据
四、国际科学联盟(SI)科学数据
五、国际科学技术数据委员会(CODATA)科学数据
六、世界数据系统(WDS)科学数据
小节练习
第三节 PISA与全球教育治理发展
一、PISA简介及发展
二、PISA实施全球教育治理的路径
三、PISA对全球教育治理的影响
小节练习
本单元小结与习题测试
第二单元 机器学习算法与教育数据挖掘
第一节 预处理之数据集成与缺失值处理
一、数据集成(Data Integration)
二、缺失值处理(Missing Value Handling)
小节练习
第二节 机器学习的分类
一、监督学习
二、无监督学习
三、半监督学习
小节练习
第三节 模型的评估与性能度量
一、欠拟合与过拟合(Over-fitting & Under-fitting)
二、模型的评估和性能度量
三、正则化
小节练习
第四节 常见机器学习方法概览
一、决策树(Decision Tree)
二、分类与回归树(Classification and Regression Tree)
三、提升树(Boosting Tree)
四、梯度提升决策树(Gradient Boosting Decision Tree)
五、K均值聚类算法(K-means)
小节练习
第五节 支持向量机(Support Vector Machine)
一、发展历程
二、基本原理
三、支持向量机递归特征消除
小节练习
第六节 机器学习的Python程序语言实现
一、Python程序语言概述
二、常用的机器学习算法包
三、常用的机器学习库
小节练习
第七节 机器学习与全球教育治理
一、机器学习在全球教育治理中的运用
二、机器学习在全球教育治理中的优势
小节练习
本单元小结与习题测试
第三单元 EBDCES：一种基于教育大数据的学生核心素养评估软件
第一节 EBDCES软件简介
小节练习
第二节 EBDCES操作步骤
一、软件安装与设置
二、数据提取
三、数据预处理
四、SVM、SVM-RFE和SVM-RFE-CV的使用
小节练习
第三节 EBDCES代码源文件
一、数据提取
二、删除样本缺失值
三、删除变量缺失值
四、连续型变量的标准化和离散型变量的哑变量处理
五、KNN填充
六、中位数填充
七、SVM
八、SVM-RFE
九、SVM-RFV-CV
小节练习
本单元小结与习题测试
第四单元 结构方程模型和多层中介分析方法
第一节 结构方程模型
一、结构方程模型简介
二、结构方程模型建模步骤
小节练习
第二节 中介分析
一、中介分析方法简介
二、检验中介的方法
三、效应量
四、复杂中介模型
小节练习
第三节 在结构方程模型中实现中介分析
小节练习
第四节 在R语言中使用结构方程模型实现中介分析
一、lavaan的安装
二、lavaan的模型语法
三、估计方法、标准误差和缺失值的处理
四、实例一：验证性因子分析
五、实例二：结构方程模型
六、实例三：结构方程模型实现单层中介分析
七、多组问题
八、分类变量问题
九、多层线性回归
十、多层结构方程模型
十一、实例四：双层验证性因子分析
十二、实例五：双层结构方程模型
十三、实例六：双层结构方程模型实现多层中介分析
本单元小结与习题测试
第五单元 多层线性模型分析方法
第一节 数据预处理之标准化
一、连续变量进行标准化(Normalization)处理
二、数据异常值检测(Outlier)
第二节 多层线性模型方法简介
一、多层嵌套数据的普遍性
二、多层线性模型的发展历程
三、多层线性模型的基本原理
小节练习
第三节 多层线性模型在HLM软件运行的操作步骤
一、明确变量概况
二、数据导入HLM软件
三、HLM模型搭建步骤及结果解读
小节练习
第四节 多层线性模型参数估计及模型检验
一、最大似然估计法
二、广义最小二乘法
三、贝叶斯分析方法
四、自举法
小节练习
第五节 多层线性模型与全球教育治理
一、多层线性模型优势特点
二、多层线性模型在全球教育治理中的应用
小节练习
本单元小节与习题测试
第六单元 全球教育治理量化研究的经验启示
第一节 数据方法总结
一、人工智能机器学习算法与教育数据挖掘
二、结构方程模型、多层中介分析方法及多层线性模型
小节练习
第二节 利用有效研究方法及工具深人全球教育治理研究
一、加强国际交流，因地制宜借鉴先进研究经验
二