基于联结主义的连续记分IRT模型的项目参数和被试能力估计.docxVIP

第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页第 PAGE \* Arabic 1 页 基于联结主义的连续记分 IRT 模型的项目参数和被试能力估计 4.4 减少项目参数的测试误差的实验 从表 2 的数据可以看出，上述方法对于 θ 的估计已经达到了较好的精度，但对于 a、 b 和 c 的估计误差仍然比较大。于是再用增加训练模式的方法来试图减少测试误差。上述在训练第二组神经网络时，是用“第一矩阵”中的每一列作为模式的输入，该矩阵共有 45 列，相应于第一组的 45 个项目。现在将这组项目扩大，即增加到 60 个，75 个，90 个 105 个，这些项目的参数都是用蒙特卡罗方法产生的。然后，拿第一组 25 个被试的 θ 值和它们起反应，用产生的反应矩阵和相应的项目参数作为训练模式，对 30 个神经网络进行训练，并重复上述步骤 4 和步骤 5，得到在各种不同数量的训练模式条件下的 a、b c 的单个模式测试误差的平均数 M 和标准差 SD，如表 3 所示。从表中数据可以看出，随着训练项目数的增加，对项目参数 a、b 和 c 的测试误差都有明显降低，当项目数达到 105 时，基本上已经可以接受参数估计的结果了。 附图 从上面的讨论可以看出，在该 计算 机模拟实验中，共有两组被试，第一组被试是用于能力测试模式的，第二组被试是用于能力训练模式的；该实验中有三组项目，其中的第二组项目是第一组的一部分，第一组项目用于项目参数训练和能力测试模式的，第三组项目是用于项目参数测试模式的，第二组项目是用于能力训练模式的；该实验中有三个反应矩阵，其中的第一矩阵又被分为左、右两个部分，左部分是由被抽取出来的第二组项目产 生的，右部分是由其余项目产生的，第二矩阵的“行”作为能力训练模式，第一矩阵的“行”作为能力测试模式，第一矩阵的“列”作为项目参数训练模式，第三矩阵的“列”作为项目参数测试模式。 4.5 实际测验中的被试能力和项目参数估计步骤小结 上述的实验是在计算机模拟的情况下了产生的各组被试能力和项目参数，在实际的测验情况中，可以按照以下步骤来进行测验编制以及被试能力和项目参数估计： (1)在已知项目参数的题库中取出若干个项目（类似于上述模拟实验中的第二组项目，这些项目可以是二值记分的，它可以事先通过 BILOG 等估计得到），再加上自行编制的、未知参数的若干项目（类似于上述模拟实验中第三组项目），混合后组成实际的测验试卷。 (2)用这一试卷对一组真实的被试（类似于上述模拟实验中的第一组被试）进行测试，得到一组实际的结果。 (3)用蒙特卡罗方法产生一组被试的能力值（类似于上述模拟实验中的第二组被试），令它和真实试卷中的已知项目参数的那部分项目（类似于上述模拟实验中的第二组项目）起反应，得到反应矩阵（类似于上述模拟实验中的第二矩阵）。 (4)用这一矩阵和这组蒙特卡罗方法产生的被试能力值组成能力训练模式，对一组神经网络进行训练。 (5)用真实的测验结果矩阵的每一行作为一个模式的输入部分，输入上述经过训练的神经网络，其输出就是真实被试的能力估计值。 (6)运用蒙特卡罗方法产生一组项目参数，根据上述的模拟实验，大约要有 100 个项目的参数，令真实被试的能力估计值和它们起反应，得到一个反应矩阵（类似于上述模拟 实验中的第一矩阵右部分）。用这个矩阵中的每一列和相应的蒙特卡罗方法产生的项目参数组成训练模式，对另一组神经网络进行训练，使之具有估计项目参数的功能。 (7)将这一经过训练的神经网络对真实测验中未知参数的那部分项目（类似于上述模拟实验中的第三组项目）进行参数估计，从而得到这些项目的参数估计值。 至此，就把实际的被试能力和项目参数估计出来了。对照上述模拟实验的图 1，其中的第一矩阵左部分和第三矩阵是由真实测验的数据产生的，第一矩阵的右部分和第二矩阵是用蒙特卡罗方法产生的。 讨论 5.1 该方法的优点 (1)提出了一种全新的 IRT 项目参数和被试能力的估计方法，以往的方法都是建立在统计基础上的，而该方法则是建立在联结主义 理论 （人工神经网络）基础上的。 (2)以往的方法多数只能对二值记分的 IRT 模型进行参数估计，本 研究 中的方法则可以对连续记分的 IRT 模型进行参数估计。由于人工神经网络有很强的 学习 功能，因此从理论上讲，它也可以用于等级记分和二值记分的 IRT 模型，当然，这有待于进一步的实验研究。 (3)本研究中用于估计被试能力的样本只有 25 人