融合反应时的多级评分IRT模型开发及其应用研究.pdfVIP

摘 要 随着计算机测试技术的发展，收集反应时已经成为许多大型测试的常规工 IRT 0-1 , 作，但是当前大多数融合反应时的 模型仅适用于 评分数据资料 这极大 的限制了IRT反应时模型在实际中的应用。本文在传统的二级计分反应时IRT 模型基础上，开发一种多级评分反应时模型。在层次建模框架下，分别采用拓广 分部评分模型（GPCM）和对数正态模型构建融合反应时的多级评分IRT模型（本 文记为JRT-GPCM），并采用全息贝叶斯MCMC算法实现新模型的参数估计。 为验证新开发的JRT-GPCM 模型的可行性及其在实践中的应用，本文分别开展 1 JRT-GPCM 2 2 了两项研究： （） 模型参数估计精度验证。采用 × 双因素实验 设计, 其中因素一为被试数(分别为1000 人和 2000 人两个水平)，另一因素为 ( 20 40 ) MCMC 测验项目数 分别为 题和 题两个水平 ，采用全息贝叶斯 算法对其 进行参数估计，验证MCMC算法的可行性以及JRT-GPCM 模型估计的精确性； 2 JRT-GPCM （） 模型在大五人格测验中的应用，以探讨新模型在实践中的应用 效果。本文的施测群体为大学生，采用电脑作答方式进行，共收集到845份有效 数据，其中男生占47.9%，农村人口占58.9%，独生子女占28.5%。 研究结果表明： 1 JRT-GPCM （）新开发的 模型参数估计精准度较高、模型稳健性较强， 模型资料拟合良好，表明模型基本合理、可行；测验题目越多，新模型对被试参 数估计精度越高，且被试数量对估计精度的影响相当不大。 （2）JRT-GPCM 模型在真实数据的拟合较好，JRT-GPCM 模型具有较好的 适用性和优势，且提高了估计 “潜在特质”精确度和精度。 （3）应用研究中，所有项目的参数估计值的收敛指标基本上都小于1.1，说 明MCMC算法的参数估计收敛，各个参数的方差和协方差的标准差均较小，说 明模型在实证研究中具有很好的稳健性； 4 12 0.895~1.209 0.7 （）神经质分量表的 个题目的区分度范围在 ，均大于 (Fliege,2015)，说明12 道题目的质量都较好； 5 （）被试的潜在特质与作答速度具有一定的正相关，被试的神经质倾向越 高潜在特质越高，并且作答速度也越快；项目的步骤参数 （locationparameter） 与其时间强度参数存在相关，即项目的步骤参数的绝对值越大 （偏离中心值，则 说明代表了偏向极端的特质水平），那么被试在作答该项目时所需要的时间越少， 即时间强度较小，这一结果支持Ferrando 和 Lorenzo-Seva (2007)提出的“距离- 困难度假设”。 I 综上所述，本研究提出了一种融合反应时的多级评分的IRT模型的新方法， 可以进一步拓展反应时这一辅助信息在心理和教育测量中的应用。 关键词： 项目反应理论;GPCM 模型;JRT-GPCM 模型;MCMC 算法 II Abstract With the development of computer testing technology, collecting response timehasbecome aroutinework ofmany large-scaletests.