Arab Educational Information Network

يعد نموذج الخليط المتعدد من النماذج التقليدية التي تساهم في نمذجة التباين الضمني وفي ذات الوقت يعاني من إشكالية تحديد العدد الأمثل للمجموعات الضمنية الممثلة لهذا التباين. وتوفر التطورات المتسارعة في علم تنقيب البيانات الخوارزميات الأتوماتيكية التي تجمع بين النمذجة البنائية وتنقيب البيانات، وهما: شجرة النمذجة البيانية وغابة النمذجة البيانية. وتعدان طريقتان واعدتان في حل الإشكالية التي تواجه نموذج الخليط المتعدد. لذا هدفت الدراسة إلى المقارنة بين أداء ثلاث طرق إحصائية (نموذج الخليط المتعدد، وشجرة النمذجة البنائية، وغابة النمذجة البنائية) في تحديد التباين الضمني في النمو الأكاديمي لدى طلبة الثانوية باستخدام عينة توضيحية من الدراسة الطولية للمدارس الثانوية بالولايات المتحدة الأمريكية. أظهرت النتائج اختلافات جوهرية بين الطرق الثلاثة في نمذجة التباين الضمني حيث أظهر نموذج الخليط المتعدد أداء أفضل من خلال تحديد عدد أقل من المجموعات الضمنية، ومسارات نمو فريدة التي توضح التباين في معامل النمو. في المقابل، شجرة النمذجة البنائية وغابة النمذجة البنائية أظهروا أداء أفضل في تحديد أثر المتغيرات الديموغرافية في تباين معاملات النمو من خلال تحديد درجة أهمية كل متغير ودوره في كل تفرع للشجرة أو الغابة. وأشارت هذه النتائج إلى أهمية التكامل بين هذه النماذج للحصول على فرق واضح في مسارات النمو الذي يوفره نموذج الخليط المتعدد، وتضمين أكثر المتغيرات تأثيرا وأهمية الذي توفره شجرة وغابة النمذجة البنائية. (الملخص المنشور)

The Growth Mixture Model (GMM) is associated with several class enumeration issues. The contemporary advancement of automated algorithms presents two promising alternatives that merge confirmatory Structural Equation Modeling (SEM) with exploratory data-mining algorithms: SEM Tree and SEM Forest. This study investigated the performance of the aforementioned three methods (i.e., the GMM, SEM Tree, and SEM Forest) to detect latent heterogeneity in academic growth across four high school grades using an illustrative subsample of the Longitudinal Study of High School of 2009. The findings showed remarkable differences in detecting latent heterogeneity across the three methods as indicated by a parsimonious number of classes, with more unique growth trajectories, capturing the latent heterogeneity in the growth factors. In contrast, SEM Tree and SEM Forest were better at tracking the influences of covariates in the model parameters’ heterogeneity, as indicated by providing more accurate measures of covariate importance and a detailed description of the role of covariates at each level of the tree or the forest. These findings imply the complementary use of these methods to obtain a clear separation between growth trajectories, as estimated by GMM; and the inclusion of most influential covariates, as identified by SEM Tree and Forest (208 words). (Published abstract)