论文部分内容阅读
DINA(deterministic input, noisy, and gate)模型作为一种简单的认知诊断模型,具有估计参数少、数学表达式简单和易于理解等各方面的优点。近年来,关于DINA模型的应用研究和拓广研究已经成为该领域的研究热点。对DINA模型的理论拓广研究主要从是认知诊断模型的属性水平划分方法和评分方法两个方面对DINA模型进行完善。目前研究者开发已经开发出了能够同时处理二级评分数据资料和多级评分数据资料的二分属性多级评分认知诊断模型(P-DINA models),但是多分属性DINA(Pa-DINA)模型仍然只适用于二级评分数据资料,无法对多级评分数据进行分析处理,虽然可以将多级评分数据转换成二级评分数据进行分析,然而这会导致数据信息的缺失。研究目的:本研究基于Samejima等级反应模型中累积类别反应函数思想,将重参数化后的多分属性DINA模型(RPa-DINA模型)进行多级评分拓广,以期新模型能够直接处理多分属性多级评分的数据资料,拓广后的新模型简称为PRPa-DINA模型。研究方法:PRPa-DINA模型的参数估计采用基于贝叶斯的马氏链蒙特卡洛(Markov Chain Monte Carlo, MCMC)方法。研究设计为2(样本量:N=500, N=1000)×2(项目参数水平:s、g=0.1, s、g=0.2)的两因素完全随机实验设计,因变量为估计偏差(bias)、均方根误差(RMSE)、边际判准率(MMR)和属性模式判准率(PMR)。研究结果:(1)PRPa-DINA模型的单个属性判准率较高,介于0.666～0.872之间;属性模式判准率相对较低,介于0.322～0.580之间。(2)当样本量为500时,项目参数的水平设置越高,单个属性判准率和项目参数准确性越高;当样本量为1000时,项目参数的水平设置越低,单个属性判准率和项目参数准确性越高。(3)所有实验条件下,采用PRPa-DINA模型估计两个项目参数时,猜测参数的RMSE值均低于失误参数的RMSE值。结论:PRPa-DINA模型可以对多分属性多级评分的数据进行较好地分析处理;在实际的应用研究中采用PRPa-DINA模型进行分析时,样本的数量应该不低于1000,并且测验项目的失误参数与猜测参数应该处于较低的水平,以实现对被试进行更准确地诊断归类。