计算机人格适应性测验初始值估计研究.docVIP

计算机人格适应性测验初始值估计研究 　　摘 要:一般来说，对于计算机人格适应性测验(CAPT)，由于对被试每种人格特质的施测项目数比较少，初始值估计方法的好坏直接影响着被试人格特质水平估计的准确性。该研究提出利用被试特质水平与其人格特质自我评定信息的回归模型来获取被试人格特质水平的初始值。模拟数据的研究结果表明：新方法获得的初始值确实能够更准确的估计被试的特质水平。 　　关键词:计算机人格适应性测验;特质水平初始值;测量准确性 　　中图分类号： 文献标识码： 文章编号：1003-5184(2008)02-0081-04 　　 　　1 引言 　　 　　计算机适应性测验（CAT）开始施测阶段首先都要面临被试特质水平初始值的估计问题。一般来说，在计算机适应性测验长度足够长的情况下，当测验中止时，特质水平初始值的设定对被试特质水平估计准确性的影响很小[1]。然而，对于计算机人格适应性测验(CAPT)，由于对被试每种人格特质的施测项目数比较少，初始值设定的好坏会严重影响被试人格特质水平估计的准确性。因此，提高被试特质水平初始值估计的准确性在计算机人格适应性测验中具有重要的意义[2]。 　　对于被试特质水平初始值估计的问题人们提出了几种解决方法[3]，常用的有：第一、随机地确定被试特质水平初始值；第二、贝叶斯方法（Bayesian method）――利用总体特质水平分布的信息来估计被试个体的特质水平初始值；第三、根据被试总体的信息，固定每一位被试具有相同的初始值；第四、根据被试的有关背景信息变量来推论出被试特质水平的初始值[4,5]。所有的这些方法都有各自的优劣，第一种方法随意选择被试特质水平初始值，这种随意性可能会导致初始值与被试真实特质水平值之间的差异很大，但与其它方法相比，这种方法的优点在于它的初始施测项目的曝光率低；第二种方法存在的问题是人们能否获得被试总体特质水平分布的正确先验信息。如果所获得的先验分布与被试真实特质水平分布存在很大的偏差，那么反而起到不好的作用，会导致需要更多的测验项目，才能准确测量出被试真实的特质水平，而一旦所获得的先验分布正确，则可以减少对被试真实特质水平探索的过程――即能够较快地收敛于被试特质的真实水平值；第三种方法根据总体的信息给所有被试固定相同的特质水平初始值，通常把被试总体在测试上的平均值作为所有参加测试的被试特质水平的初始值，或者假定总体在该特质上呈正态分布，把特质水平分布的平均值0作为被试特质水平的初始值，这会导致每个被试的初始项目相同，初始项目的曝光率很高。然而，从另一个方面来看，在无法获取被试或测试总体的有关信息时，对所有被试施测相同的初始项目，在某种程度上对所有被试具有一定的公平性；第四种方法可以使用经验的预期，通过被试的背景信息来预测他们的特质水平。这种方法通常可以利用被试的年龄、所处的年级水平、有关的其它测验与现在参加测验之间的回归关系来推论出被试特质水平的初始值。这种方法一旦能获得对被试特质水平的较好预测，则可以提供较准确的被试特质水平初始值。而且这种方法使得每个被试的初始项目可能不相同，有效地解决了初始项目曝光率过高的问题。 　　目前计算机人格适应性测验中[6-8]，被试特质水平初始值通常被确定为特质量尺上的中间值0（属第三种方法），但正如前所说，把特质水平分布的平均值0作为被试特质水平的初始值，这会导致每个被试的初始项目相同，初始项目的曝光率很高。研究者认为：个体对于自身的人格特质总是具有一定的了解。个体对其人格特质的自我评定与其人格特质水平之间应该具有一定的关系，利用被试自我评定信息与其人格特质水平间的关系来预测被试特质水平初始值――即根据个体对其人格特质自我评定的信息，及其在相应人格特质测验上的得分，建立起两者之间的线性回归模型。根据被试在一个具有较高区分度人格特质项目上的自我评定信息，应用线性回归模型，来获取被试人格特质水平的初始值。 　　通过模拟的Likert 5等级数据从两方面来验证所提出的新方法是否有效。一方面比较两种初始值（第一种方法是固定所有被试特质初始值为0，第二种方法，研究提出的新方法获得的初始值）与被试真实特质水平的偏差程度；另一方面比较在不同长度的计算机适应性测验中，这两种方法获得的初始值，它们对被试特质水平估计的准确性的影响。 　　心理学探新2008年第2期张青华 计算机人格适应性测验的初始值估计研究 　　 　　2 研究方法 　　 　　2.1 模拟数据 　　 采用蒙特卡洛方法(Monte Carlo method) 模拟数据：首先按照项目参数分布形态的要求（区分度服从［0.8,2.5］区间上的均匀分布，项目的四个难度等级服从［-4，4］区间上的均匀分布）生成120个Likert 5点量尺项目的项目参数；然后按照标准正态分