基于不同CDM视角的CD-CAT题库建设

在CD-CAT题库建设过程中,选择合适的认知诊断模型(CDM)标定题库参数是一个关键的步骤.若一个题库均采用一个CDM来标定题库所有参数,则可能会造成模型资料失拟.提出了一种基于混合模型的题库建设思路,通过Monte Carlo 模拟研究验证了基于混合模型建立题库的效果,并与传统的基于单一模型的题库建设进行了比较,为CD-CAT在选用合适的模型方面提供了理论借鉴.     

多级计分的CD-CAT曝光控制方法

相对于0-1计分,多级计分考察的认知能力水平更高,能够提供更丰富的诊断信息,同教学实践更相符,而现有研究中鲜有基于多级计分的CD-CAT.该文提出了5种新的曝光控制的选题策略,分别是BSCDI_A、BSCTTID_A、BSCDI_D、BSCTTID_D和RP_PWCDI,将这5种方法同已有的PWKL和RP_PWKL进行比较,并尝试将这7种选题策略从0-1计分拓展到多级计分.研究结果表明:不管是0-1计分还是多级计分,采用统一量纲后的综合指标进行评价时RP_PWCDI(β=0.5)表现最好,题库使用均匀性各     

基于BP神经网络的认知诊断 计算机化自适应测验实现

根据现有的研究使用神经网络进行认知诊断的方法,改变神经网络的建模方式,实现基于神经网络的认知诊断计算机化自适应测验.使用Monte Carlo方法生成模拟数据,训练并测试神经网络,在此基础上将神经网络用于自适应测试中,知识状态估计采用极大似然估计,选题策略采用后验加权的KL信息量指标.模拟结果表明,基于BP神经网络的CD-CAT的判准率较为理想,并且因为神经网络的训练过程可以在小样本情况下实现,这种CD-CAT更适合在课堂评估中使用.     

可达阵在认知诊断选题策略中的运用研究

在香农熵选题策略的基础上,采用4种不同的测验蓝图考察运用可达阵对诊断精度的影响.Monte Carlo模拟试验表明:选择可达阵所有列对应的项目对改进计算机化自适应诊断测验(CD-CAT)的诊断精度有着重要的作用,而且对于CD-CAT的选题策略有重要的参考价值.在CD-CAT过程中选择较多可达阵的列对应的项目能够明显提高模式判准率,项目质量对结果的影响不大;而未包含所有可达阵的列对应的项目时,项目质量对于模式判准率有较大的影响.     

变长非参数认知诊断自适应测验终止规则

该文借鉴传统变长参数CD-CAT的终止规则,结合DWIR方法的指标提出2种非参数变长CD-CAT的终止规则:最大距离比例终止规则(MDRM)和距离比例双重标准终止规则(DRDSM).模拟研究发现:1)2种非参数终止规则MDRM和DRDSM适用于0-1计分和混合计分情境下的非参数CD-CAT测验; 2)当研究目的在于获得更加准确分类结果时,可在 MDRM 规则下的增大d_1st值,或者在DRDSM规则下增大d_1st值和减小d_2nd值; 反之,可以减小d_1st值或者增大d_2nd值; 3)当测验终止的条件愈发严格时,即当d_1st和P_1st不断接近1或者d_2nd和P_2nd不断接近0时,采用MDRM或DRDSM作为测验终止规则的测验结果和采用后验概率作为终止规则的测验结果逐渐接近.     

计算机化自适应诊断测验双重约束变长终止规则

提出3种变长CD-CAT终止规则,在DINA模型、4种属性层级结构下,采用ED选题策略,讨论提出的3种方法与常用CD-CAT终止规则在7个评价指标上的优劣。研究结果显示:新的3种方法较常用终止规则有其自身优势。     

计算机化自适应诊断测验新的选题策略

提出了一种既能满足属性平衡又能有效处理相似属性模式的新方法——改进的极大化整体判别认知诊断模型信息量指标法(MGCDI).对无结构型的属性,讨论定长CD-CAT的选题策略.研究结果表明,使用相同选题策略选题时,先选择可达矩阵的所有列对应的项目比不使用这些项目的诊断准确率高.     

基于KL信息矩阵的动态加权选题策略

在Henson和Douglas提出的KL信息矩阵(用D矩阵表示)基础上,借鉴后验加权的思想,将原始KL信息矩阵修正为后验加权KL矩阵,并基于认知诊断中项目区分度的计算方式,提出2种新的CD-CAT选题策略:DPWKL1和DPWKL2方法,在不同测验长度、不同诊断模型以及不同属性相关程度下,与传统PWKL方法进行了比较研究.模拟研究表明,不论实验条件如何变化,DPWKL1和DPWKL2方法的属性判准率及模式判准率均要优于PWKL方法.     

认知诊断CAT中选题策略的改进

计算机化自适应测验(CAT)的选题策略是影响测量准确性的主要因素之一.针对认知诊断CAT初期知识状态估计不准确的问题,改进后验加权Kullback-Leibler信息量,得到了2种平均后验加权Kullback-Leibler信息量选题指标.然后运用DINA(the deterministic inputs,noisy"and"gate)模型模拟作答反应,在不同测验长度下比较了6种选题策略的优劣.结果表明,新指标能极大地提高测量准确度,当测验长度为15时,知识状态的判准率提高了10%以上;除随机方法外,其他方法的项目曝光率没有明显差异.     

认知诊断自适应测验选题策略探新

提出了一种新的认知诊断自适应测验选题策略和题库按项目所包含的属性模式分层方法.与传统方法相比,该方法不仅提高了测量精度而且可以提升选题速度.     

认知诊断计算机化自适应测验按模式分层选题策略

提出一种题库按属性模式分层,并结合项目曝光度控制的新方法.蒙特卡洛模拟研究显示:该方法在题库使用均匀程度上表现优异,并保有较高测量精度.     

CES型盲均衡及其基于高阶统计量的一种实现

介绍了一种全新的设计盲均衡器的评估标准──信道评估标准ＣＥＳ（ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎＳｔａｎｄａｒｄ），并就其实现方式作了简要讨论，在分析现有算法优缺点的基础上，基于高阶统计量，对非最小相位线性信道，提出了一种ＣＥＳ型盲均衡算法ＨＣＢＥＡ，该方法避免了ＣＥＳ盲均衡中常见的大运算量的缺陷，由多电平ＰＡＭ及ＱＡＭ信号仿真实验表明，该方法具有良好的均衡特性。     

基于最小描述长度和遗传算法的属性选择方法

为了提高使用属性选择方法后分类器的分类效果,减少分类器的分类错误率,提出了一种基于最小描述长度和遗传算法结合的属性选择方法GA+MDL算法.通过与weka平台上已经实现的两种属性选择方法GeneticSearch + CfsSubsetEval方法以及BestFirst + CfsSubsetEval方法进行比较,证明该方法能够从一定程度上提高属性选择算法的效果.     

一种新型混合特征选择方法及其在入侵检测中的应用

针对高维数据包含的不相关和冗余特征影响检测方法性能的问题,提出了集成filter和wrapper方法的混合特征选择新方法.采用基于信息增益的filter方法,删除不相关特征;采用基于改进的自适应遗传算法和评价函数的wrapper方法,获取最优特征子集.在入侵检测中的应用表明,该方法能降低特征选择的时间,检测率和虚警率均优于其它方法.     

基于GRM模型的CAT分层方法在校准误差中的应用研究

在计算机化自适应测验(CAT)中,0-1评分模型下b组块a分层的方法(BASTR)可以提高测量准确性的同时平衡项目的曝光率,但在多级评分模型中项目难度/步骤参数有多个,无法直接使用该方法; 又因为信息函数可以较好地综合被试能力和项目参数,但最大信息量选题策略的测验安全性太低.因此,将多级评分模型中的多个参数综合成一个指标作为b分块的依据,模仿BASTR方法,提出5种新的B分块a分层方法,并且采用“影子题库”下最大信息量的选题方法.在等级反应模型(GRM)下蒙特卡洛实验结果表明,新方法在测验精度、题库利用率和机会红利等评价指标中总体表现良好,B_max-min分块方法表现最优.