认知诊断计算机化自适应测验中具有非统计约束的选题策略的中期报告.docxVIP

认知诊断计算机化自适应测验中具有非统计约束的选题策略的中期报告 本报告旨在介绍认知诊断计算机化自适应测验中具有非统计约束的选题策略的中期研究进展。 首先，我们回顾了相关文献并总结了目前已有的选题策略。传统的选题策略主要依赖于统计学方法，如IRT和Rasch模型，这些方法通常仅考虑被试的能力水平，忽略了试题相关性和试题难度随时间变化的情况。为了解决这些局限性，一些研究者提出了基于图论的选题策略，它们可以对试题之间的关系进行建模，并保证一些特定的约束条件。然而，这些方法通常需要构建完整的知识结构，并且对试题关系的假设仅基于领域专家的经验或人工分析，难以适应动态的知识结构变化。 其次，我们介绍了我们提出的一种基于演化算法的选题策略，该策略可以在考虑试题相关性和试题难度随时间变化的基础上，同时满足更多的非统计约束条件，如试题种类均衡、试题难度平衡和试题时效性等。我们的方法将试题的演化过程看作一个优化问题，并使用一种新颖的多目标优化框架，以最小化不同优化目标之间的冲突为目标，以提高试题的适应性和预测能力。 最后，我们展示了本研究的实验结果以及进一步的研究计划。我们针对不同的非统计约束条件进行了多种实验，并将结果与现有方法进行了比较。实验结果表明，我们提出的选题策略在平衡非统计约束的同时，可以更好地掌握试题之间的相关性和难度随时间变化的情况。我们将进一步探索如何使用深度学习方法构建试题关系，并