一般能力倾向测验预测效度神经网络应用.docVIP

一般能力倾向测验预测效度神经网络应用 　　摘要：本研究运用神经网络检验了一般能力倾向成套测验（GATB）对不同学科大学生专业成绩的预测效度。对1022名大学生均施测GATB，并随机选取其中652名，将其期末专业考试成绩作为衡量专业成绩的指标，建立人工神经网络（ANN）模型。研究发现：对文、理、工三类专业大学生专业成绩预测的ANN模型估计的准确率均在90%以上， GATB分数可以用来预测不同专业学生的专业成绩。文科大学生最敏感的能力因子是言语能力，系数为0.523；理科大学生最敏感的能力因子是数理能力，系数为0.471；工科大学生最敏感的能力因子是空间判断能力，系数是0.594。 　　关键词：心理学；效度；一般能力倾向成套测验（GATB）；人工神经网络（ANN）模型；大学生 　　一、问题提出 　　一般能力倾向成套测验（General Aptitude Test Battery，GATB）是美国劳工部就业保险局历时50年，耗资数亿美元，研究了美国上万种职业后编制而成的著名测验。这套测验应用较广，已被大量研究证明具有良好的信效度，能够很好地预测职业成功和学术成就。GATB是适用于初三以上年级的中学生及成年人的团体测验，包含15种分测验（11种纸笔测验，4种操作测验），可在120～130分钟内测量9种与职业关系密切并有代表性的能力因素。这9种能力倾向因素为：一般智力、言语能力、数理能力、空间关系理解力、形状知觉能力、文书知觉能力、动作协调能力、手指灵活性及手部灵巧性。Hammond1984年对GATB的结构进行因素分析发现，GATB测量的其实是4种更普遍、更高层次的能力：言语能力、数理能力、工具组合能力和空间能力[1]。GATB在国外应用广泛，是升学、就业指导以及人员选择与安置的重要工具。而Droege等研究发现：GATB的一般智力、言语能力、数理能力和书写知觉测验可以作为预测学业成绩的良好工具[2]。R.L.Thorndike和E.P.Hagen报告，用GATB预测工程学校学生的专业成绩的R2最低0.46，最高0.58[3]。 　　个体在大学期间的专业学习将奠定他们一生职业生涯的基础。在美国，大学生入学之初，要进行一项学术能力测验（SAT），通过这种学术能力测验，可以预测大学生在大学期间的专业学习成绩。也有研究者应用一般能???倾向成套测验（GATB）来预测大学生的专业成绩。在预测方法方面，以前的研究大都是运用传统的多元回归算法。如果应用神经网络模型新技术，效度是否会有提高呢？这值得我们来探索一番。 　　人工神经网络（Artificial Neural Network， ANN）是近年来发展起来的一门新兴学科、新技术。它应用了一种信息处理系统或计算机模仿大脑的结构和功能，可称之为人脑处理信息方式的简化模型[4]。ANN今天已经成为世界关注的热点，引起各国政府与军界的高度重视。 　　目前人工神经网络（ANN）的算法基本成熟。人工神经网络包括三部分：输入层（input layer），隐藏层（hidden layer），输出层（output layer）。输入的数据显示在第一层，其值从每个神经元传播到下一层的每个神经元，最终从输出层输出结果。ANN是功能强大的函数估计器，只需基本的统计或数学知识就能够进行训练，并加以应用[4]。特别值得注意的是，它是一种非线性系统，具有一个隐藏层的神经网络算法，可以拟合输入和输出之间的任意非线性关系，而不要求资料满足正态分布或其他特殊分布，可以自由估计模型（即非参数模型）。因此，神经网络具有很强的综合能力，输入和输出间的联系可由训练习得，再运用于计算中[5]。 　　BP（back propagation）神经网络是ANN的一种，由James McClelland和David Rumelhart在1986年提出[6]。它是一种典型的前馈神经网络，其权重的调整采用反向传播的学习算法，神经元的变换函数是S型函数，输出量是0～1之间的连续量，可以实现从输入到输出的任意非线性映射[7]。通过对网络参数的选取，在确定了网络层数、隐含层神经元数、初始权重、学习速率、期望误差及最大步长后，构建神经网络模型。确定网络的结构后，利用输入输出样本进行训练，也就是对网络进行调整，多次反复，直到样本收敛，使网络实现给定的输入输出映射关系，从而获知最重要的影响因素。 　　从ANN诞生之日起，它与心理学就有着千丝万缕的联系。神经网络的灵感来自于神经元的信息处理功能，神经网络的训练则可以反映感觉、记忆、学习等认知过程[8]。ANN已被研究者广泛应用于视知觉识别[9]、技能培养[10]、语言发展[11]等认知领域。研究者发现，ANN对于内隐记忆、内隐学习等无意识认知过程有着极强的适应性[12，13]，对神经网络来说，外