Уважаемые коллеги, доброго времени суток! Представляем вам японское научное издание Behaviormetrika. Журнал имеет второй квартиль, издаётся в Behaviormetric Society of Japan, его SJR за 2021 г. равен 0,609, печатный ISSN - 0385-7417, электронный - 1349-6964, предметные области - Математический анализ, Клиническая психология, Экспериментальная и когнитивная психология, Прикладная математика. Вот так выглядит обложка:
Редактором является Маоми Уено, контактные данные - ueno@ai.lab.uec.ac.jp.
Дополнительные публикационные контакты - sandhiya.jeevanandham@springernature.com, Angeline.Stella@Springer.com, journalpermissions@springernature.com, Chino.Hasebe@springer.jp.
Это рецензируемый международный журнал, в котором публикуются оригинальные исследовательские работы, заметки и обзорные статьи. Предметные области, подходящие для публикации, включают, но не ограничиваются следующими методологиями и областями:
Методологии:
- Наука о данных;
- Математическая статистика;
- Методологии опросов;
- Искусственный интеллект;
- Теория информации;
- Машинное обучение;
- Обнаружение знаний в базах данных (KDD);
- Графические модели;
- Информатика;
- Алгоритмы.
Области применения:
- Медицина;
- Психология;
- Образование;
- Экономика;
- Маркетинг;
- Социальные науки;
- Социология;
- Политология;
- Когнитивная наука;
- Наука о мозге.
Адрес издания - https://www.springer.com/journal/41237
Пример статьи, название - Optimal classification methods for diagnosing latent skills and misconceptions for option-scored multiple-choice item quizzes. Заголовок (Abstract) - The paper’s extended Diagnostic Classification Modeling setting assumes (a) nominal item (question) coding, thus including multiple-choice (MC) items, and (b) skills and especially “misconceptions” attributes (possessed or not) forming the model's latent attribute space, with examinee attribute correct classification rate probability (P(CC)) formulas derived, applicable to all quiz-based diagnostic classification methods. Specific attribute focused and joint all-attributes focused Maximum A Priori and Maximum-Likelihood diagnostic classification procedures are defined and, depending on latent distribution assumptions, proven to optimize marginal attribute specific and joint all-attribute P(CC)s. These optimality results apply both at the quiz level and at the item level. Two new item discrimination indices are defined that monotonically determine optimal ML classification item P(CC)s. The paper’s results provide tools that help address the key educational applications issue of whether MC item quizzes can effectively assess important classroom learning formatively while instruction occurs, time efficiently enough to be a widely used and useful classroom tool. Keywords: Diagnostic classification modeling; DCM; Extended DCM; Nominal item coding; Multiple choice; MC; Classification optimality; Correct classification rates; CCRs; Item discrimination index; Formative assessment; ML classification; MAP classification; Generalized Diagnostic Classification Modeling; GDCM