论文部分内容阅读
作为新一代测验理论的核心,认知诊断(cognitive diagnosis,CD)主要应用于教育与心理测量领域,它能实现对个体内部心理加工过程的测量和评估。目前,教育与心理测量领域的数据资料多是多级评分的,如教育考试中的简答题、论述题、作文题或心理量表中的Likert型数据,而当前较为盛行的认知诊断模型大多适用于0-1评分的数据资料。国内外虽已有学者开发出了一些多级评分的认知诊断模型,但这些模型主要是基于属性间非补偿(noncompensatory)的情况,对于属性间相互补偿(compensatory)的多级评分认知诊断模型的开发与研究甚少,这在一定程度上限制了认知诊断模型的应用和推广。且已有的非补偿的多级评分认知诊断模型大多是从题分分值与属性权重相对应的角度出发的,这种思路并不适合属性间相互补偿的情况。本文在0-1评分的DINO模型(Templin&Henson,2006)的基础上,开发出了一种补偿型的多级评分认知诊断模型,同时采用目前较为流行的MCMC算法实现了模型的参数估计,并进一步对模型的性能进行了研究。Monte Carlo模拟研究结果表明:(1)补偿型的多级评分认知诊断模型参数估计精度较好,参数估计的稳健性较强,表明该模型基本可行。(2)采用MCMC算法可以实现该模型的参数估计,且参数估计的精度较理想。(3)测验长度的增加能有效提高模型的判准率,被试人数的增加对判准率的提高相对较小,属性个数的增加会降低判准率。(4)在相同的条件下,与0-1评分的DINO模型相比,新模型的模式判准率更高,其适用面更广。