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.     

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.     

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。     

属性蕴含Q矩阵理论的认知诊断模型

引入属性蕴含的Q矩阵理论扩展了传统Q矩阵理论.属性的先决关系是属性蕴含的特殊形式,寻找属性蕴含Q矩阵理论中合适的认知诊断模型具有重要的理论与应用意义.就满足属性蕴含的Q矩阵,视其为形式概念分析中的形式背景,形势背景诱导的概念格亦为认知诊断模型.研究成果可进一步丰富Q矩阵理论与方法.     

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.     

基于属性层级关系的rRUM模型优化——模型解释力及判准率的提升视角

以提高认知诊断模型判准率及对数据的解释力为视角,对当前应用较广泛的rRUM模型进行优化(优化后的模型简记为rRUM-AH),并采用Monte Carlo模拟研究及实证研究相结合的范式,比较分析了传统的rRUM模型和rRUM-AH模型的诊断正确率及诊断结果的解释力.研究结果表明:当属性间存在层级关系时,不论在何种实验设计条件下,优化后的rRUM-AH模型属性诊断正确率远远高于传统的rRUM模型; 当属性间存在层级关系时,rRUM模型的模式判准率平均不到80%(而rRUM-AH模型平均高达90%以上),难于满足实际需求,此时实际应用者选用该研究新开发的模型是一个较好的选择.     

属性不独立对DINA模型参数估计的影响

受众多心理和教育测量研究者喜爱的认知诊断模型-DINA模型假定属性之间是相互独立、连接、非补偿的关系,但是在实际的应用过程中,属性之间未必能满足这样的关系,这限制了DINA在实际中的应用。本文研究属性之间存在不同的关系(层级关系或补偿关系)对于DINA模型参数估计的影响,研究结果表明,当属性之间存在层级关系或补偿作用时,都会对DINA模型下的参数估计精度造成较大的影响,当属性之间存在层级关系时,参数的估计精度受到两个因素的影响最大,一是属性层级结构,另一个是被试人数;当属性之间存在补偿关系时,参数的估计精度主要是受到被试人数和属性个数的影响。在属性之间存在这两种关系的情况下,采用DINA模型进行认知诊断都会影响诊断测验的效度。     

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。     

属性层次模型(AHM)在基层连队综合评价中的运用

在层次分析法的基础上,利用属性层次分析法(AHM)建立基层连队建设评价指标的权重关系,使评价工作更加科学、客观、公正,增强了基层连队建设评价活动的针对性与可操作性,对实际评价具有指导意义.     

认知诊断框架下的语言认知测验的实证分析与研究

采用认知诊断理论和技术,对初中生的中文阅读能力进行认知诊断测验分析。结果显示:通过推导得到的项目属性的定义和属性层级关系与专家的界定之间有一定的差异,这个差异会影响到对被试的属性掌握模式分类;通过推导得到项目属性定义和属性层关系的方法对于测验的分析和编制可以提供很好的参考作用,可以与专家界定的方法互为补充。     

决策系统属性约简的关系矩阵算法

建立决策系统与关系矩阵之间的联系后,从关系矩阵的角度研究属性重要性的指标,并利用该指标作为启发式信息提出一种新的属性约简算法.该算法具有较大的灵活性,能够从搜索空间逐次删除不重要的属性,避免对这些属性进行重复搜索,提高了搜索的效率.该算法可行有效.     

一种基于属性重要性的属性约简启发式算法

属性约简是粗糙集理论研究中的关键问题之一.文中定义了一种新的属性重要性度量准则,克服了多值偏向性问题,并给出一种新的属性约简算法.该算法以核属性集为初始约简集合,以新的属性重要性度量准则为启发信息,通过逐步加入相对于决策而言重要的条件属性来求取最小约简.实例分析表明该算法是有效的.     

论生产关系两重性的关系

生产关系包括生产关系一般和生产关系特殊两重属性,经济运行和资源配置过程中的体制及机制等属于生产关系一般,经济制度属于生产关系特殊,这在理论界已基本达成共识。现在的问题是对生产关系两重性的关系问题研究不够,甚至存在片面性。运用马克思主义经济学及其方法来分析生产关系两重性的关系应该是：生产关系一般是生产关系特殊与生产力的连接点或中介环节,生产关系特殊的发展变化最终由生产力决定,是通过生产关系一般的发展变化实现的,生产关系特殊的发展变化对生产力的重大反作用也是通过生产关系一般的发展变化实现的。     

集值信息系统中的粗糙集扩展模型

根据属性值的相容程度在集值信息系统上定义了一种新的关系--α相容关系;给出了相应的近似集合和相关性质,并讨论了它与相容关系、拟序关系之间关系;提出了基于这种关系的粗糙集扩展模型,并分析比较了该模型与现有的粗糙集扩展模型之间的关系;最后,通过一个实例来直观地解释这些关系之间的联系.     

基于相似关系的不完备决策表属性约简

粗集理论是一种处理不精确，不完全与不相客知识的新的数学工具．属性约简是粗集理论研究的核心问题之一．通过属性约简，简化信息表的属性雏数．在许多情况下面临的信息系统是不完备的，本文研究不完备信息系统下决策表的属性约简问题．     

基于差别矩阵的增量式属性约简完备算法

为了解决基于差别矩阵的属性约简完备算法得不到最小约简的问题，提出了一种改进的属性约简方法．该方法将信息论定义的属性重要性作为启发式信息，并通过构造一个条件信息熵算子对差别集合进行运算，同时利用算子来计算候选属性的剔除次序，采用宽度优先搜索策略使约简集合中含有最重要的属性，这样就解决了完备算法约简率低的问题．结合该方法并在分析对象集增量与差别矩阵关系的基础上，证明了增量约简定理，由此提出了一种增量式约简完备算法（CAIR），当新数据加入决策表时，算法可增量构造差别集合．实验结果表明，所提CAIR在大大缩短计算差别集合时间的同时，约简率比非完备算法提高了20．3％，是同条件下完备算法执行效率的13．2倍．     

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.     

基于α-β优势关系的区间值信息系统属性约简方法

区间值信息系统是单值信息系统的一种扩充,如何对其进行属性约简是区间值多属性决策中的一个重要的问题.在已有的优势关系基础上,定义了α-β优势关系,得到基于新的优势关系的可辨识矩阵,进而对区间值信息系统进行属性约简,给出了约简算法.最后通过一个算例验证了新方法的可行性,并与已有方法进行了比较,结果表明所提出的方法更为简单有效.