认知诊断中如何利用关联规则对项目属性自动标识

利用属性层级关系（AHM）进行认知诊断的一个优点是有利于指导测验的编制和开发,但是在实际应用过程中由专家指定属性层级关系不利于题库的扩充。本文采用关联分析的方法,利用相关系数消除负关联现象,通过找出每个项目的子项目,对新增项目的属性进行自动标识。针对四种不同的属性结构进行实验模拟,结果良好。     

0-1评分认知诊断测验设计

认知诊断测验设计实质上是测验Q矩阵设计,设计应最大限度覆盖诊断的构念,充分发挥代表认知模型的属性层级关系的重要作用.主张测验充分表达被试知识结构,提倡测验Q矩阵和被试知识状态共享同一层级结构,以实现对被试更加准确的诊断.对于非独立型层级结构,无法实现属性使用次数平衡而应采用题目属性向量使用平衡策略.对Liu Ren(2017)的测验设计提出质疑.     

大学生解决物理问题时的认知诊断——以牛顿力学为例

诊断学生解决物理问题时的认知错误可以帮助教师和学生进行有的放矢的教与学.建立了力学概念清单(FCI)的属性-项目矩阵,并通过统计样本每个属性的得分情况来详细诊断学生对牛顿力学的认知错误.结果表明,二维运动合成、速度加速度定义式及牛顿第二定律应用等知识属性得分率不足60%.由此说明许多大一学生对看似简单的力学基本知识属性的掌握并不牢靠.     

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.     

最小二乘法在认知诊断模型中的应用

与传统测验相比,认知诊断测验的优势就在于它能够揭示每个被试的具体认知状况,并且有效地、有针对性地对个体进行补救,规则空间模型（RSM）与属性层级方法（AHM）两认知诊断模型都只能诊断被试掌握与未掌握某属性,而不能反应被试对属性的掌握程度,而被试掌握属性的概率却能够揭示被试对属性的掌握程度,所以可以把这个概率作为诊断报告的一部分,可见进一步研究被试对属性的掌握概率是有必要的。     

认知评估中的属性关系

规则空间模型(RSM)及属性层级方法(AHM)是有较大影响力的认知诊断模型.在RSM与AHM中不可缺少属性及属性层级关系,属性层级关系为属性间的先决关系所诱导.但是,先决关系只考虑了属性之间的关系,却忽略了属性集之间存在的联系.该研究以先决关系为切入点,实例证明先决关系及其诱导的属性层级关系具有局限性,基于属性集,提出更具一般性的蕴含关系,使先决关系为其特殊形式,为当前认知诊断理论研究提供了新的研究角度.     

基于属性掌握概率的认知诊断模型

认知诊断模型研究主要包括模型建构、模型性能评估及结果报告几个方面.用多维连续向量表示被试的属性掌握概率,并假设属性应用满足局部独立的条件下建构属性掌握概率认知诊断模型,然后运用马尔科夫链蒙特卡洛方法估计模型参数,模拟研究表明该算法的准确性和稳定性较好.最后,运用该模型分析分数减法数据的结果表明被试属性水平和项目参数的诊断结果与规则空间方法分析的结果一致,从而表明该模型是可信和有效的.     

多级评分认知诊断测验蓝图的设计——根树型结构

在某种给定的评分方式下,假设属性之间没有补偿作用,讨论多级评分认知诊断测验蓝图设计问题.根据图论,将J.P.Leighton等定义的线型、发散型、无结构型属性层级结构归结为根树型,构造出相应的完备测验Q阵,即是使知识状态与期望反应模式一一对应,且列数最少的测验Q阵.完备Q矩阵均受到测验Q阵的秩的制约.     

基于K2算法的属性层级结构学习研究

诊断测验所考察的属性之间往往存在某种层级关系,然而基于专家经验获得的属性层级关系易出现分歧或错误.该文将属性掌握模式作为输入,考察K2算法在不同阈值条件下学习得到属性层级结构的准确性.模拟研究和实证数据分析的结果表明:K2算法对属性层级结构的学习有较高的成功率,并且K2算法对于4种基本层级结构有不同的敏感性,其中线性型和发散型对阈值的敏感性较低,而收敛型和无结构型对于阈值的敏感性较高.     

影响AHM与DINA诊断准确率的因素研究

对属性层级模型(AHM)和确定性输入、噪声"与"门模型(DINA)2个认知诊断模型,讨论不同因素对判准率的影响.实验表明,含有可达阵的测验比不含可达阵的测验判准率高.对于线型结构测验长度达到一定值以后,增加测验长度对诊断准确率的改进不大.虽然总体而言,DINA分类准确性要优于AHM,属性结构紧密度越大,判准率越高;但是AHM估计结果符合属性层级结构,而DINA估计结果却可能违背属性层级关系,这和2011年De Carlo的发现不相同.     

项目属性标错时可达阵补救作用的研究

以Q矩阵理论为基础,从分析专家给测验项目标定属性时可能出现的差错入手,设计不同的测验Q矩阵和模拟实验,分析比较在不同情况下的模式判准率,考察可达阵对测验Q矩阵标定出现差错时的补救作用。     

可达阵功能的不可替代性

可达阵有2个重要性质:(i)Q矩阵中的列均可由可达阵的列线性表示;(ii)在0-1评分、属性之间作用不可相互补偿条件下,若可达阵(或者其列的置换)是测验Q矩阵的子矩阵,则任何2个不同的属性掌握模式(知识状态)对应的理想反应模式仍然不同.在Q矩阵当中,是否有其他的K阶子矩阵,具有其中1个或者2个性质?这对于认知诊断测验蓝图设计和计算机自适应诊断测验(CD-CAT)的选题策略的制定非常重要.但是,十分遗憾,可以证明这2个性质都不可以由其他Q矩阵代替.在一定条件下必要Q矩阵才能够表示知识结构,才能够提高认知诊断测验的构念效度.     

基于曼哈顿距离构建非参数Q矩阵修正方法

将被试得分、理想反应距离和被试得分异常原理相结合,并加入属性计分下的被试得分特性,开发了用于多级评分情境下属性计分曼哈顿距离法(SA-MD),在不同条件下验证了SA-MD的稳定性和适宜性.通过模拟研究和实证研究表明:(i)从逻辑推导出SA-MD用于多级评分情境下Q矩阵修正更合理;(ii)在多种条件中,SA-MD 均有较优的修正效果,适用范围更广,稳定性更高;(iii)当小样本测验进行Q矩阵修正时,使用SA-MD方法可获得更优的效果.     

基于遗传算法的发电机线性最优励磁控制研究

介绍了求解发电机励磁控制器中的增益矩阵K的一种新算法－－遗传算法,它不同于常规算法的特点在于,从多个方面初始点开始,沿多路径搜索实现全局最优或准全局最成,计算过程不需要存储状态或决策变量的离散点,节约计算机内存,不必求导计算,编程简单,是一种有效的自适应随机搜索算法,仿真结果表明,用遗传算法设计的发电机励磁控制器具有良好的控制效果和鲁棒性。     

基于属性蕴含的Q矩阵理论

认知诊断(CD)是认知心理学与心理和教育测量学相结合的前沿研究领域.在属性间约束关系的Q矩阵理论中,其认知模型仅考虑了属性集与属性间的层级关系,忽略了属性间可能存在非层级关系的蕴含关系.该文探讨基于属性蕴含的Q矩阵生成,以及属性蕴含关系的挖掘.研究成果扩充了现有Q矩阵理论,完善认知诊断的理论、方法和应用.     

多级评分认知诊断测验蓝图的设计——独立型和收敛型结构

定义了属性之间菱形层级结构的概念。在某种给定的评分方式下,假设属性之间没有补偿作用,讨论独立型、菱形层级结构对应的多级评分认知诊断测验蓝图设计问题,分别构造出相应的完备Q阵。     

多分属性层级结构下引入逻辑约束的理想掌握模式

多分属性比传统的2分属性提供更多更详细的诊断反馈信息,具有广阔的应用前景.在多分属性情境下,当属性之间存在层级结构时,会出现原2分属性情境下不存在的逻辑问题:如果被试仅低程度地掌握了父属性,那么他是否还有可能高程度地掌握子属性?从逻辑上讲,这种“父属性掌握程度低而子属性掌握程度高”的发展情况并不具有普适性.对此,该文首先在多分属性情境下,基于现有的计算理想掌握模式的方法提出了满足“属性掌握水平约束假设”的理想掌握模式计算方法.然后,通过模拟研究说明该逻辑约束的使用方法及忽略该逻辑约束可能对诊断结果带来的危害.     

广义矩阵代数上一类非全局非线性三重高阶可导映射

设G是一个满足MN=0=NM的2-无挠的广义矩阵代数,Q={A∈G:A²=0},D={d_n}_n∈N是G上一列映射(没有可加性假设)。文章证明:若对任意n∈N,A,B,C∈G且ABC∈Q,有d_n(ABC)=∑_r+s+t=nd_r(A)d_s(B)d_t(C),则D是一个可加的高阶导子。作为应用,在三角代数上得到了相同的结论。     

认知诊断中Q矩阵和Q矩阵理论

Q矩阵和Q矩阵理论是认知诊断中一对容易混淆的概念,一方面需要强调它们的差异,另一方面对Q矩阵理论做一些补充,比如在一定条件下,多级评分的认知诊断中测验蓝图的设计原理.根据实测数据对测验蓝图Q矩阵修正的设想,以及认知诊断模型和多维项目反应模型的联系.