基于人工神经网络的C.TEST阅读理解题目难度的预测研究.pdfVIP

2014年第4期 华文教学与研究 总第56期 No．56 No．42014 TCSoLStudies Sum 基于人工神经网络的C．TEST阅读理解题目 难度的预测研究 付佩宣 (暨南大学华文学院／暨南大学华文教育研究院，广东，广州510610) [关键词]人工神经网络；c．TEST；阅读理解；题目难度 [摘要]实用汉语水平认定考试(简称C．TEST)是用来测试母语非汉语的外籍人士在国际环境下 社会生活以及日常工作中实际运用汉语能力的考试。由于C．TEST的考试题目公开，题库数量较小，所 以通过一般标准化考试采用的在部分目标被试中实施预测(fieldtest)的方法来获取考试题目的难度参 数存在困难。然而，人工神经网络技术作为现代人工智能研究的成果，在预测(prediction)领域发挥了 很大作用。本文选取c．，I’EsT(A—D级)的阅读理解题目作为研究材料，运用人工神经网络技术对其难 度进行预测，得到了网络预测难度值与实际考试难度值显著相关的研究结果。这一结果表明，利用人 工神经网络模型对语言测验的题目难度等参数进行预测是可行的。 [中图分类号]H195．6[文献标识码]A O．引言 D=k；精}t+}t 其中，Ff是对语言本身的熟悉程度；Fi是 在经典测量理论中。0／1型评分题目的难 对阅读材料的熟悉程度；t是阅读时间；v是阅 度指的是一个题目的答对率，即答对的被试人 读速度要求；c是强制性强度；k是常数。 数与全体被试人数之比。项目反应理论则用逻 然而。上述这些题目难度的计算方法都不 辑斯蒂模型(Raschmodel)来计算题目难度， 能很好地应用于C．TEST考试的题目难度获取。 难度参数包含在模型当中，通常采用极大似然 经典测量理论采取在部分目标被试群体施测的 估计法得到。(Hambleton，R．等，1991) 方法得到题目的难度参数，也就是说计算题目 除了经典测量理论和项目反应理论中关 难度需要依靠被试的反应。而C．TEST考试题 于题目难度的计算方法之外，一些研究者也 目是公开的。题库数量不大．这种方法很难应 从不同的角度对这个问题提出了自己的见解。 用。项目反应理论中也有计算题目难度参数的 如布卢姆(1986)认为试题客观难度的大小 模型，但是它的假设条件比较严格，对测试条 应该以教学目标作为参考。鄱阳(1992)提 件也存在要求．比如样本容量要大，被试的能 出： “试题所考核的能力层次、知识广度和 力分布范围要广，试题数量要多等等，这些条 知识深度是影响