尽管教育研究和评估通常发生在多层次环境中,但许多分析都忽略了集群效应。忽视教育环境中数据的性质,尤其是在非随机实验中,可能会导致有偏差的估计,并产生长期影响。我们的手稿提高了人工神经网络的可用性和理解力,这是一种在其他学科中流行的未充分利用的方法。这种方法还显示出应对教育研究人员面临的挑战的希望,例如分析聚类数据。因此,我们模拟了数据,以将人工神经网络的潜在优势推广到不同的数据类型。我们还将人工神经网络与更熟悉的方法进行了比较,并研究了执行每种技术所需的时间。因此,读者可以决定何时使用一种方法而不是另一种方法更合适。