基于Lasso特征选择的Q矩阵修正研究与实证_.pdf

摘要

在当今中国教育现代化进程中，国家对教育数字化改革给予了高度重视，并

在多个政策文件中突出了科学、客观和准确的教育评价的重要性。同时随着信息

技术的发展，智能教育系统已经普及，带来了更多学习资源的同时也引入了信息

过载的问题。教育评价的需求已经从传统的分数评估转向了对学生关键概念掌握

程度的深入了解。认知诊断模型（CDM）作为评价学生各知识点掌握情况的工具

被广泛应用，但其诊断效果很大程度依赖于Q矩阵的准确性。至今，已经有很多

研究者在Q矩阵的修正上做出了贡献，但目前Q矩阵的修正方法在实际应用过程

中依然面临着诸多挑战，比如有主观性较强、可解释性较差、复杂度较高的不足。

本研究在数理统计的视角下提出了一种基于Lasso特征选择的Q矩阵修正方法

（SVS方法）。SVS方法先利用CDM计算出被试者掌握各个属性的概率，并将其

作为自变量，然后将被试者对项目做出正确反应的概率作为因变量构建Logistic模

型。并针对Q矩阵的稀疏性以及属性层级之间非全部独立的性质，在Logistic模型

的基础上增加了L1正则项进行参数估计。最终，SVS方法通过建立Lasso模型特

征选择来标定正确的项目考察模式。SVS方法旨在系统地减少主观性的影响，同

时优化计算流程，以便在大数据环境下提供更精确和科学的教育评价工具。

本文采用了蒙特卡洛模拟方法，分别在项目水平上和属性水平上评价了SVS

方法的Q矩阵修正能力。考虑在不同实验条件下，SVS方法与目前常用的参数化

Q矩阵修正方法Stepwise方法、GDI方法的Q矩阵修正效果。然后进行实证数据分

析，评价了SVS方法与Stepwise方法在实证数据中修正后的Q矩阵拟合程度。结

果表明：（1）SVS方法的适用范围非常广，在各种模拟的实验条件下均拥有较高

的Q矩阵修正准确率。（2）SVS方法的Q矩阵修正准确率随着样本量提升而稳定

提升，当样本量足够大时，SVS方法的Q矩阵修正准确率明显高于目前常用的两

种参数化Q矩阵修正方法。（3）在实证研究中，相较于另外两种传统方法，SVS

方法在实证数据中修正后的Q矩阵具有良好的拟合程度。（4）与已有方法相比，

SVS方法依据Lasso模型进行特征选择，显著降低了运算量，提高了处理大样本的

能力。

关键词：认知诊断；Q矩阵修正；Lasso回归；矩阵稀疏性；L1正则项

Abstract

InthecontextofChinasmodernizationeffortsineducation,considerableemphasis

hasbeenplacedondigitaleducationreforms,withnumerouspolicydocuments

highlightingtheimportanceofscientific,objective,andpreciseeducationalassessments.

Asinformationtechnologyadvances,intelligenteducationalsystemshavebecome

widespread,presentinganabundanceoflearningresourceswhilealsointroducing

challengessuchasinformation