利用隐马尔可夫模型推断新冠疫情期间的学区学习模式
计算机与社会
2022-11-03 v1 机器学习
摘要
本研究调查了美国各地公立学校提供的学习模式，以追踪随着时间推移提供完全线下、混合和完全远程学习的学校比例的变化。2020年9月至2021年6月期间，14,688个独特学区的学习模式由Burbio、MCH Strategic Data、美国企业研究所的Return to Learn Tracker以及各州独立数据面板报告。需要一种模型来合并并化解这些数据间的冲突，从而更完整地描述全国范围内的学习模式。采用隐马尔可夫模型（HMM）来推断每个学区每周最可能采用的学习模式。该方法比任一单独数据源具有更高的时空覆盖率，且与四个数据源中三个的一致性高于任何其他单一来源。模型输出显示，提供完全线下学习的学区比例从2020年9月的40.3%上升至2021年6月的54.7%，在45个州以及城市和农村学区中均有所增长。这类概率模型可作为融合不完整且相互矛盾的数据源的工具，以支持公共卫生监测与研究工作。
引用
@article{arxiv.2211.00708,
title = {Inferring school district learning modalities during the COVID-19 pandemic with a hidden Markov model},
author = {Mark J. Panaggio and Mike Fang and Hyunseung Bang and Paige A. Armstrong and Alison M. Binder and Julian E. Grass and Jake Magid and Marc Papazian and Carrie K Shapiro-Mendoza and Sharyn E. Parks},
journal= {arXiv preprint arXiv:2211.00708},
year = {2022}
}
备注
25 pages, 4 figures