Q矩阵在认知诊断测量中应用研究.docVIP

Q矩阵在认知诊断测量中应用研究 　　摘 要：目前，已经有100多种认知诊断模型被开发出来，其中大多是基于Q矩阵的。Q矩阵在认知诊断测量中发挥着重要作用。DINA模型和朴素贝叶斯网分类器是两种围绕Q矩阵构建的认知诊断模型，通过分析两种模型中Q矩阵的构建过程及Q矩阵对两种模型的影响，研究Q矩阵在认知诊断测量中的应用。 　　关键词：Q矩阵；认知诊断测量；DINA模型；朴素贝叶斯网分类器 　　DOIDOI：10.11907/rjdk.151555 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2015）009007802 　　基金项目基金项目：2013安徽省高校省级优秀青年人才基金重点项目（2013SQRL127ZD） 　　0 引言 　　认知诊断测量是对个体的知识结构、加工技能或认知过程（统称为属性）的诊断评估。不同于传统测验，认知诊断测验更多关注的是被测试者的知识状态，即属性掌握情况，并对未掌握的属性进行补救，因而其在促进发展方面的作用更大。认知诊断通过认知诊断模型实现。目前，认知诊断模型种类繁多，被开发出来的已达100多种[1]。由Fischer提出的线性逻辑斯谛克特质模型（Linear Logistic Trait Model， LLTM）[2]，以及由Tatsuoka等人提出的规则空间模型（Rule Space Method， RSM），是认知诊断测量学的基础性模型。多成分潜在特质模型（multicomponent latent trait model，MLTM）[3]和线性指数模型（linear exponential model，LEM）等10多种模型是在线性逻辑斯谛克特质模型的基础上发展而来。而在规则空间模型的基础上发展而来的模型有融合模型（fusion model，FM）[4]、联合（统一）模型、DINA（deterministic input， noisy and gate model）模型[5]、NIDA模型和AHM（Attribute Hierarchy Model， AHM）模型[6]等。已存在的这些模型大多是基于Q矩阵的。因此，Q矩阵在认知诊断测量中发挥着重要作用。 　　1 Q矩阵 　　Q矩阵是一种元素只取0或1的二值矩阵，即布尔矩阵（Boole）。在认知诊断中，它实质上是诊断属性和项目或知识状态的关联阵（Incident Matrix）。列表示诊断属性，行表示项目。若第j个项目中包含知识i，则qij=1，否则，qij=0。在认知诊断测验中，Q矩阵的获取步骤如下：先确定所测属性，然后分析属性之间的层级关系，如果属性间的层级关系能被正确地分析出来，则可达阵R就能被确定，进而可获得Q矩阵。因此，Q矩阵的获得要以正确地分析出属性间的层级关系为前提。 　　对于大多数认知诊断模型，Q矩阵都是必需的。除明确要求要有Q矩阵的规则空间模型和属性层级模型外，DINA等模型中也必须构建Q矩阵。 　　2 基于Q矩阵的两种认知诊断模型 　　2.1 DINA模型 　　简单、诊断准确率高是DINA模型的优点，因此其获得了广泛关注。在DINA模型中，一定的技能或属性（记为αi）是被测试者正确作答某一项目的前提，且此项目所考察的技能或属性被包含在αi中，记作qj。 　　sj和gj两个参数在一定程度上能够反映出测验矩阵Q的缺失与冗余。属性缺失的情况会造成参数sj的值增大；若属性有冗余，则会造成gj值增大。由此看来，测验矩阵Q界定是否正确在一定程度上可以通过参数sj和gj的值反应出来。在实际的测试诊断中，一般认为对于项目j所考核的全部属性，如果被测试者i都能掌握，则其很有可能答对该项目；反之，则倾向于将该项目答错，即被测试者是否掌握了项目所考核的属性会对项目作答产生影响。 　　2.2 朴素贝叶斯网分类模型 　　朴素贝叶斯网分类器（Naive Bayesian Classifier， NBC）易于构造、性能稳定，虽是一种简化的分类方法，但其在大数据集上应用时比许多复杂的分类器表现优秀。这种模型以所有属性变量全部条件独立于类变量为假设，即把类变量作为所有属性变量的唯一父结点。当在认知诊断分类上应用时，NBC以各个项目的作答作为属性结点，这表明各个项目的作答之间是相互独立的，符合现代心理测量理论之一――项目反应理论（IRT）[7]中的项目独立性假设。这种分类器以贝叶斯公式中的先验概率和条件概率为基础，结合已获取的信息，进而确定新样本的后验概率。朴素贝叶斯网分类器的结构为： 　　图1 朴素贝叶斯网分类器结构 　　这个分类器可以这样理解：假如在一个测验中包含n个测验项目，分别用R1，R2，…，Rn表示被测试者对这n个项目的作答情况或得分，即把R1，R2，…，Rn作为贝叶斯网分类