改进的最大优先指标及在计算机化自适应诊断测验中的应用.pdf

摘 要 选题策略是计算机化自适应测验(ComputerizedAdaptiveTesting，CAT)的 核心内容，它不仅使测验具有智能性而且它的优劣直接影响测验的好坏。传统的 CAT容易造成安全危险，而内容上的限制则更难处理。程莹在2009年提出的最 Index 大优先级指标法(Maximum Method，MPI)在一定程度上可以满 Priority 足非计量学约束，但是仍然会出现违背约束条件和偏向选择约束条件相对少的项 目的情况。本文对MPI进行了改进，并结合极大化Fisher信息量方法，提出4 种新的选题策略：改进的最大优先级指标法，指数式方法，加法式方法，权重式 方法。Monte Carlo模拟表明，改进的最大优先级指标法不存在违背约束条件的 情况，且对能力的估计也更为精确；指数式方法和加法式方法因为发挥了极大化 Fisher信息量方法的优势，在被试能力估计上表现较好；而权重式方法由于在测 验初期降低权重，其表现也比原MPI方法好。 (CD．CAT)不仅能够知晓被试对技能的掌握情况，而且能够了解不同个体间存 在的知识状态和认知结构的差异，这使得对CD．CAT的研究越来越受到研究人 员的关注。认知诊断的诊断实际上是模式识别。本文将改进的最大优先级指标法 应用于认知诊断测验中，提出了一种既能满足属性平衡又能有效处理相似属性模 式的新的CD．CAT选题策略：改进的极大化判别认知诊断模型信息量指标法 (ModifiedMaximumGlobal Model Discrimination-一CognitiveDiagnosis InformationIndexMethod，MGCDI)。通过Monte Carlo模拟，比较MGCDI、 修正的极大化判别指标法(ModifiedMaximumGlobalDiscriminationIndex Model Method，MMGDI)、认知诊断模型信息量指标法(CognitiveDiagnosis Information Index Method，CDI)等3种选题策略在4种不同属性层级结构下的 似属性模式的优点，还拥有更高的模式判准率和属性平均判准率；(2)MGCDI 最好，MMGDl次之，CDI最差；(3)三种选题策略在无结构上的表现均为最好， 在发散型结构上的表现最差。 关键词：计算机化自适应测验；认知诊断；最大优先级指标法； Monte Carlo模拟 Abstract Selection constitutesthe contentof Item Strategy key Computerized Adaptive a not makestests butalsoexertsdirect on Testing(CAT)，whichonly intelligent impact risk the oftest．TraditionalCAT leadto andit’Sevenmore quality mayeasily safety difficulttohandlebecauseofitsc