モデルの操作

モノディープ・ムカルジー

フォローする

--

聞く

共有

著者 : ルカ・スクルッカ、モハメド・サクル、ソンソレス・ロペス＝ペルナス、キーフ・マーフィー

要約 : 異質性は、最近の教育文献で注目されているトピックです。 生徒の行動や機能のさまざまなパターンやサブグループを捉える方法を採用するよう求める声がいくつか上がっています。 生徒集団全体を表す平均的なパターンがあると仮定すると、測定された構成要素が同じ因果メカニズム、同じ発達パターンを持ち、まったく同じ方法で生徒に影響を与える必要があります。 このチュートリアルでは、個人中心の手法 (有限ガウス混合モデルまたは潜在プロファイル分析) を使用して、3 つの潜在クラスターまたは未観測クラスターを特定することにより、エンゲージメント データ内の異質性を明らかにする方法を示します。 この章では、方法の原理、クラスタ数の選択に関するガイド、クラスタリング結果の評価、コードと実際のデータセットを含む詳細なガイドを含むモデルベースのクラスタリングの概要を説明します。 この議論では、結果の解釈、モデルベースのクラスタリングの利点、他の手法との比較について詳しく説明します。

2. ベイジアンモデルベースクラスタリング(arXiv)のレビュー

著者: クララ・グラツィアン

要約 : クラスタリングは、医学と疫学、ゲノミクス、環境科学、経済学、視覚科学など、多くの知識分野において重要なタスクです。 クラスター数の推論を実行する方法には一貫性がないことが多くの場合証明されており、クラスター間に依存構造を導入すると、推定プロセスにさらなる困難が生じることを意味します。 ベイジアン設定では、未知のパーティションをランダム オブジェクトとみなして事前分布を定義することによってクラスタリングが実行されます。 この事前分布は、観測に基づくモデルによって誘導されるか、またはパーティションに対して直接定義される場合があります。 ただし、最近のいくつかの結果では、クラスターの数、つまりパーティションの数を一貫して推定することが困難であることが示されています。 パーティション空間の次元が大きいため、パーティション上の事後分布を要約するという問題自体は未解決のままです。 この研究の目的は、クラスタリングを実行するために文献で利用可能なベイズ手法をレビューし、それぞれの長所と短所を提示して、将来の研究方向を示唆することです。