Methodenzentrum

Dr. Pascal Kilian

Wissenschaftlicher Mitarbeiter am Methodenzentrum

Büro
Methodenzentrum
Haußerstr. 11
72076 Tübingen


 


Forschung

Schwerpunkte

  • Anwendung quantitativer Analysemethoden und Machinelles Lernen in der Sportwissenschaft (Fußball)
  • Maschinelles Lernen in den Sozial- und Verhaltenswissenschaften
  • Verknüpfung des Machinellen Lernens mit Methoden der Psychometrie (Mehrebenenmodelle, Latente Variablen Modelle)

Kurzvita

seit 12/2018
Postdoc

am Methodenzentrum, Eberhard Karls Universität Tübingen

Promotionspreis für herausragende Abschlussarbeiten

verliehen von der Universität Tübingen (Tübingen School of Education)

07/2018
Promotion (Dr. rer. nat.)

an der Mathematisch-Naturwissenschaftlichen Fakultät (Titel: On CK, PCK and Student Dropout in the Early Phase of Math (Teacher) Education at University)

03/2018 - 08/2018
Wissenschaftlicher Mitarbeiter (Doktorand) am Methodenzentrum

Universität Tübingen

03/2017 - 08/2018
Projekt "SAM"

BMBF-gefördert (Tübinger Teilprojektleitung)

10/2014 - 04/2017
Projekt "Entwicklungsverbund 3"

bei der Deutschen Telekom Stiftung (Projektleitung)

01/2014 - 03/2018
Wissenschaftlicher Mitarbeiter (Doktorand)

am Fachbereich Mathematik, Universität Tübingen

10/2009 - 12/2013
Wissenschaftliche Hilfskraft

am Fachbereich Mathematik, Universität Tübingen

10/2007 - 10/2012
Studium: Mathematik und Physik

an der Universität Tübingen


Publikationen

Auswahl an relevanten Zeitschriftenartikeln

  • Kilian, P., Leyhr, D., Höner, O., & Kelava, A. (submitted). A deep learning factor analysis model based on importance-weighted variational inference and normalizing flow priors: Evaluation within a set of multidimensional performance assessments in youth elite soccer players.
  • Andriamiarana, V., Kilian, P., Kelava, A., & Brandt, H. (2023). On the requirements of non-linear dynamic latent class SEM: A simulation study with varying numbers of subjects and time points. Structural Equation Modeling. Link
  • Kilian, P., Ye, S., & Kelava, A. (2023). Mixed effects in machine learning - A flexible mixedML framework to add random effects to supervised machine learning regression. Transactions on Machine Learning Research (TMLR). Link
  • Kelava, A., Kilian, P., Glaesser, J., Merk, S., & Brandt, H. (2022). Forecasting intraindividual changes of affective states taking into account interindividual differences using intensive longitudinal data from a university student drop out study in math. Psychometrika, 87(2), 533-558. Link
  • Glaesser, J., Kilian, P., & Kelava, A. (2021). Mögliche Vorläufer von Studienabbruch in der Mathematik: stabile Persönlichkeitsmerkmale und veränderliche affektive Zustände. In M. Neugebauer, H.-D. Daniel, & A. Wolter (Eds.), Studienerfolg und studienabbruch (pp. 127–149). Wiesbaden: Springer Fachmedien Wiesbaden. doi: 10.1007/978-3-658-32892-4_6
  • Kilian, P., Glaesser, J., Loose, F., & Kelava, A. (2021). Structure of pedagogical content knowledge in maths teacher education. Psychological Test and Assessment Modeling, 63, 337–360.
  • Kilian, P., Loose, F., & Kelava, A. (2020). Predicting math student success in the initial phase of college with sparse information using approaches from statistical learning. Frontiers in Education, 5. Link

Privacy settings

Our website uses cookies. Some of them are mandatory, while others allow us to improve your user experience on our website. The settings you have made can be edited at any time.

or

Essential

in2code

Videos

in2code
YouTube
Google