区分度与测验进程相匹配的CAT选题策略

选题策略是计算机化自适应测验(CAT)的核心.该文提出了一种新的选题策略,是一种相对严格的“升a”方法,它选择区分度参数的百分等级尽可能接近测验进程的项目,而且还可以通过调整控制参数的取值来满足不同测验场景的需求.Monte Carlo实验结果表明:该方法在测验精度、项目曝光率控制和题库利用率等方面均表现良好.     

结合优先级指标和曝光因子的多级评分选题策略

在等级反应模型(GRM)下考察改进的最大优先级指标(MMPI)中引入曝光因子的选题策略与其他选题策略之间的优劣.蒙特卡洛模拟中采用定长CAT,其中能力估计采用贝叶斯期望后验估计(EAP).研究结果表明,MMPI与曝光因子相结合的选题策略,在保证精度的情况下,很大程度上解决了曝光率不均匀问题.     

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.     

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,noisyandgate)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.     

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.     

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.     

等级评分模型下的最大信息量分层选题策略

对于0-1评分模型, R. B.Juan等提出了最大信息量分层选题策略,将此选题策略应用到等级反应评分模型(GRM)中,即以项目 j 的最大信息量 max ()I j 作为分层的依据,以取得该项目的最大信息量时能力点值θmax ()j作为项目的综合难度,分别用 max ()I j 与 max ()jθ替代张华华等提出的按a分层和按b分块按a分层方法中的a、b参数,形成最大信息量按a分层选题策略(MI-AS)和最大信息量按b分块按a分层方法(MI-BS).模拟实验结果表明:MI-AS和MI-BS方法较传统的按a分层方法要好.     

计算机化自适应认知诊断测验按模式分层选题策略

提出了一种题库按属性模式分层并结合项目Fisher信息量、曝光控制因子和项目优先级的新的选题策略.与已有方法比较,该方法不仅提高了题库测验精度,而且在项目使用均衡性上也表现优异.     

一阶段选题的最大优先级指标的修正

为了平衡测验中限制条件而提出最大优先级指标(MPI)一阶段选题方法可能出现越界,对该情况进行分析,并给出修正方案,修正后基本解决了限制条件越界的问题.     

引入内容平衡的最大信息量组块分层选题策略

在0-1计分下,为了解决最大信息量组块分层策略(MIS-B)中未考虑内容平衡的问题,通过加入改良多项式模型来平衡内容属性.计算机模拟试验显示:选题策略在保持MIS-B能力估计精准度这一前提下降低了项目重叠率,提高了题库使用均匀性和项目曝光率的均匀性.     

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.     

带区分度约束的选题策略研究

最大优先级指标(MPI)选题策略可以较好地满足非统计性约束,按a分层的选题策略可以有效提高低区分度项目的利用率,结合两者的优势,构造了附加区分度约束的两阶段MPI选题策略.Monte Carlo模拟研究表明:新选题策略在题库的未使用率方面有明显改进,在测量精度和约束条件控制等评价指标上较现有方法差异不大.     

一种提升题库安全性的选题策略

题库的安全性是实施计算机化自适应测验的关键问题.受原有的动态a分层方法和均值不等式启发,构造了动态a分层的选题策略.模拟实验结果表明:新的选题策略保持了原有动态a分层的测验精度,进一步提高了测验的安全性.     

基于抽样原理的计算机化自适应测验选题策略

沿用曝光控制因子的同时,基于抽样原理,引入区分度分布因子,按区分度的分布情况来选取测验中的项目.以lna～N(0,1)为例,Monte Carlo模拟结果表明:该方法在估计精度、效率和安全性等指标上表现得比较优异.     

基于IRT的一种计算机化自适应测验的选题方法

传统的纸笔测验无法有效地满足全部被试的能力估计的要求，计算机化自适应测验（CAT）能够不断根据被试的作答来估计其能力，并抽取与此能力相适应的项目来，选题是CAT的关键．先介绍了CAT的概念和原理，然后借助项目信息函数重点研究了一种CAT的选题方法．     

计算机化自适应测验技术在情绪智力智能测评中的初步应用——基于项目反应理论

在项目反应理论(IRT)框架下,采用计算机化自适应测验技术实现对情绪智力的智能测评.基于IRT系列分析(含单维性检验、模型拟合检验、局部独立性检验以及项目质量分析),构建了符合IRT测量学要求的情绪智力测评的题库,并以此为基础探讨了计算机化自适应测验技术在情绪智力智能测评(CAT-EI)中的应用.实验结果表明:(i)CAT-EI相关算法具有较高的参数估计精度,同时具有较理想的测量信度和效度;(ii)CAT-EI可使用较少的题量(M_ean=9.88题)达到使用整个题库(67题)的测量精度,它一方面能做到减轻被试的测试负担,另一方面实现了对情绪智力高效、快速、准确的智能测评.总之,该研究为实现对情绪智力智能测评提供了一种新的测量技术支持.     

基于项目反应理论自适应考试系统的设计与应用

在个性化教育中,传统的考试形式正面临着越来越多的问题,统一的试题内容并不适用于各个层次的学生,考试成绩无法准确衡量学生的能力.个性化学习系统中的自适应考试系统(PLCAT),部分地解决了传统考试形式所面临的问题.PLCAT考试系统是基于项目反应理论的Web自适应考试系统,学生可以随时随地使用PLCAT系统进行测试,系统能够根据学生的能力自动选择适合学生的试题,并在考试结束时给出个性化的评价.实践证明,PLCAT系统可以提高考试效率和提高对学生评价的精度,更重要的是,它为个性化教育提供了一种更加有效的测验途径,也为贯彻现代化教育理念,提高学生自主学习能力、创新能力提供了一种新思路.     

基于平均数形式的选题策略比较

在3PLM模型下,将改进的最大优先级指标(MMPI)方法和各类平均数形式相结合得到的4种新选题策略在提高测验精度、控制项目曝光均匀性、降低平均违规次数、提高题库利用率等方面均表现更好.经定长测验和不定长测验的蒙特卡洛模拟,MMPI下算术平方根平均数形式的选题策略表现最优.